遺傳模擬退火算法優化BP 神經網絡的GPS 高程擬合

2021-12-14 08:33:28石晨陽袁曉燕江志成

全球定位系統 2021年5期

石晨陽，袁曉燕，江志成

( 重慶交通大學，重慶 400074 )

0 引言

隨著衛星導航定位技術的快速發展，GPS 技術在各類工程中應用愈加廣泛[1]. GPS 技術可以測得某點的大地高，測繪工程中使用的是正常高，需要使用合適的算法求出高程異常值. 目前高程異常擬合研究方法主要有數學模型擬合法、地球重力場模型法和神經網絡方法[2-4].

神經網絡能夠以任意精度逼近任意連續函數及平方可積函數[5-6]，在高程異常擬合中應用廣泛. 魏宗海[7]認為，BP 神經網絡層與層之間初始權值和閾值如果設置不合理，將會導致網絡收斂速度慢和陷入局部最優解；李明飛等[8]提出用遺傳算法優化BP 神經網絡(GA-BP)算法進行高程遺傳擬合，但是優良個體急增會導致種群失去多樣性，過早收斂從而陷入局部最優. 這說明GA-BP 算法需要進行優化，跳出局部最優陷阱.

本文針對傳統BP 神經網絡和GA-BP 算法的不足，采用遺傳模擬退火算法(SA)優化BP 神經網絡算法進行高程遺傳擬合，在遺傳算法的種群更新中加入SA，解決了收斂速度慢、易陷入局部最優的缺陷，精度和效率得到了明顯提高，且能基本滿足四等水準測量精度要求.

1 基本原理與方法

1.1 BP 模型

BP 神經網絡的訓練模式是誤差反向傳播，它的輸入層和輸出層為一層，隱含層大于或等于一層. 各層之間的權值和閾值由初始化隨機得出，通過反復訓練得到最優的權值和閾值. 其具體網絡結構如圖1所示.

圖1 BP 神經網絡示意圖

下面給出BP 算法步驟[9]：

1)設置各權值和閾值的初始值：wji(0)、θj(0)為小的隨機數.

2)提供訓練樣本：輸入矢量Xk，k=1，2，···，p；期望輸出dk，k=1，2，···，p；對每個輸入樣本進行下面步驟3)～步驟5)的迭代.

6)當k每經歷1～p后，判斷指標是否滿足精度要求

1.2 GA-BP 模型

遺傳算法(GA)是模擬生物進化過程中基因的遺傳、雜交和變異的一種搜索算法. 在尋優過程中，首先尋得一組可行解，保持一組解并重新組合，不斷迭代更新直至得到最優解[10].

下面給出GA 算法步驟[11]：

1)確定編碼方式，編碼方式通常為二進制編碼和實數編碼.

2)確定適應度函數

4)計算適應度函數的值，如滿足約束條件，則算法終止，否則返回到步驟2)繼續迭代.

以平面水準坐標X、Y作為輸入層，高程異常值作為輸出層，以GA 算法的染色體賦值權值和閾值，進行遺傳、交叉、變異操作. 當結果滿足結束條件時，保留權值和閾值，再對測試集進行訓練，達到最終結果.

1.3 GSA-BP 模型

SA 是一種模仿固體退火結晶過程的隨機搜索算法. 在尋優過程中，最優解被接受，非最優解根據算法需要也可能被接受，這樣就使得算法不易陷入局部最優. GSA-BP 算法就是將SA 算法加入到GA 算法的種群更新中，得到最優解后再進行BP 神經網絡訓練.

下面給出SA 算法的步驟[12]：

1)參數初始化：包括初始溫度T，T需要充分大，初始解狀態P，這是算法迭代的起點，每個溫度T值下的迭代次數N；

2)當k=1，···，N時進行步驟3)～步驟6)的操作；

3)產生新解P′；

4)計算增量Δt′=C(P′)?C(P)，其中C(P)為評價函數；

5)若Δt′<0 則接受P′作為新的當前解，否則以概率exp(?Δt′/T)接受P′作為新的當前解；

6)如果滿足終止條件則輸出當前解作為最優解，算法終止，否則返回到步驟2).

GSA-BP 算法具體流程如圖2 所示.

圖2 GSA-BP 算法流程圖

以平面水準坐標X、Y作為輸入層，高程異常值作為輸出層，以GA 算法的染色體賦值權值和閾值，進行遺傳、交叉、變異、模擬退火操作，當結果滿足誤差條件時，所得權值和閾值即為最優，以此權值和閾值進行測試集訓練，結果即為所得.

2 實驗分析

2.1 實驗數據介紹

本實驗以南方某市E 級GPS 控制網數據為訓練數據[13]. 實驗區面積約500 km2，共計58 個GPS 點，且已全部進行了四等水準聯測. 該實驗區點位分布均勻，各點與最近點平均距離為2.1 km. 地形較為平坦，正常高最大值為64.7 m，最小值為9.2 m，平均值為25.7 m. 具體點位分布如圖3 所示.

圖3 某地區GPS/水準點分布圖

2.2 實驗結果及分析

用該實驗區58 組GPS/水準數據構造21 個訓練集A1，A2，···，A21，其中A1={G51，G112，G27，G58， G46， G45， G48， G12， G28， G55， G9， G20，G129，G18，G19，G17，G130，G131，G67，G143，G66，G36，G65，G139，G29，G56，G30，G57}，該28 個點均勻分布. 然后每個訓練集依次加入G142，G144，G149，G64，G141，G8，G40，G137，G47，G5，G38，G4，G63，G117，G6，G1，G2，G24，G61，G22，剩下的點作測試集B1，B2，···，B21. 分別使用BP 算法、GABP 算法和GSA-BP 算法對訓練集進行訓練，再用測試集進行測試. 對結果進行統計分析，結果如表1、圖4～5 所示.

圖4 測試集高程異常中誤差預測結果對比圖

表1 不同訓練集點個數下測試結果對比表

由表1、圖4～5 可知，當訓練集和測試集都相同時，在進行高程異常擬合訓練后，GSA-BP 算法的測試集精度比BP 算法要高約52%，比GA-BP 算法高約25%，說明GSA-BP 算法可以有效解決陷入局部最優問題，提高精度；GSA-BP 算法訓練時間比BP 算法低約77%，比GA-BP 算法低約39%，說明GSABP 算法可以有效解決收斂速度慢問題.

由圖5 可知，隨著訓練集點個數的增加，三種算法的精度都在提高，但GSA-BP 算法在訓練集點個數很少時也能保持很高的精度，說明GSA-BP 算法對訓練集點個數要求沒有其他兩種算法高；在訓練集點個數為38 時，三種算法的精度都趨于穩定，精度隨訓練集點個數的增加變化不大，說明此時網絡訓練能力已經夠飽和.