基于BP神經網絡的GPS高程模型研究與應用

馮樹清等

摘 要：（本文原刊于《煤礦開采》2014年5月）傳統的擬合模型含有模型誤差，而神經網絡是一種自適應的映射方法，避開了未知因素的影響，減小了模型誤差，提高了GPS高程模型的轉換精度，本文選用了神經網絡中最常用的一種算法BP算法做了幾類方案，給出了合理的建議。

關鍵詞：神經網絡；GPS高程模型；訓練樣本

1 引言

BP神經網絡算法是一種反向傳播學習算法，把學習的結果反饋到中間層次的隱單元，改變它們的權系矩陣，從而達到預期的學習目的，它是一種自適應的映射方法，沒做假設，能減少模型誤差，它是迄今為止應用最廣泛的神經網絡。（本文原刊于《煤礦開采》2014年5月）

2 BP神經網絡算法

BP神經網絡算法包括兩個方面：信號的前向傳播和誤差的反向傳播。即計算實際輸出時按從輸入到輸出的方向進行，而權值和閾值的修正從輸出到輸入的方向進行，其網絡模型如圖2-1所示。

3 GPS水準精度評定標準

⑴ 內符合精度

根據參與擬合計算已知點的與擬合值，用求擬合殘差。按照下式求GPS水準擬合的內符合精度： 其中n為參考點的個數，t為未知數的個數。它是GPS水準的模型本身精度。

⑵ 外符合精度

根據檢核點的與擬合值，用求擬合殘差，按照下式計算GPS水準擬合的外符合精度：，其中n為檢核點的個數。外符合精度是用來評定該模型來進行GPS高程轉換時所能達到的經度，是評定模型好壞的重要標準。

4 實例應用

本算例使用的數據是某礦區D級GPS高程控制網數據，共布設了36個GPS控制點，并實施了四等水準。采用三層式神經網絡，隱含層確定由于沒有固定的方法，根據經驗，一般在5—7個為最好，本試驗分別采用5個隱含層，6個隱含層和7個隱含層對數據進行訓練，

5 結論

（1）BP網絡法用于求高程異常是一種可行的方法，并且有較高的精度。

（2）在同一樣本集進行訓練時，訓練的次數越多，相應的外符合精度越高，但達到一定的訓練次數時，訓練的外符合精度反倒不好。

（3）在不同樣本集中，樣本集越多，網絡的智力越高，對工作集的擬合效果越好，外符合精度相應也越高。（本文原刊于《煤礦開采》2014年5月）

參考文獻

[1] 孔祥元，梅是義.控制測量學[M].武漢：武漢大學出版社，2004

[2] 聞新，周露，李翔.MATLAB神經網路仿真與應用[M].北京：科學出版社，2003.

[3] 韓力群.人工神經網絡教程[M].北京：北京郵電大學出版社2006.

[4] 閻平凡，張長水.人工神經網絡與模擬進化計算[M].北京：清華大學出版社，2005.

[5] 匡翠林.高精度GPS水準算法研究及其應用[D].中南大學，2004

[8] 楊永平，馮立清，蘭孝奇；神經網絡法在GPS高程擬合中的應用[J].三晉測繪，2004（1）：11-15

[9] 王劍，張書畢.MATLAB工具箱在測繪數據處理中的應用[J].四川測繪，2006（3）：17-20

[10] 何勇軍，沈秋.土石壩滲流的自學習神經網絡模型[J].水利水電技術，2002，33（2）：26-29.

作者簡介

馮樹清（1969-），男，籍貫：內蒙古開魯縣人，工程師，現任中電投白音華煤電公司礦業分公司生產礦長， 1991年7月畢業于山東建筑材料工業學院工程測量專業。