發(fā)布時間：2018-01-21 02:25

  本文關鍵詞： 人工智能 坐標系統(tǒng)轉(zhuǎn)換 坐標變換　出處：《中國地質(zhì)大學》2017年博士論文　論文類型：學位論文

【摘要】：全球衛(wèi)星導航系統(tǒng)(GNSS)已經(jīng)廣泛應用于地理空間科學及其相關的大地測量研究中。多年來,促進GNSS數(shù)據(jù)的應用已經(jīng)成為一些仍然在使用非地心基準國家(例如加納)大地測量部門的研究重點。隨著GNSS的應用,GNSS已逐漸成為一些使用地心基準而非天文大地基準國家不可或缺的技術。然而,采用地心基準往往需要將地理空間數(shù)據(jù)在天文大地基準與已經(jīng)建立的地心基準之間進行轉(zhuǎn)化。此外,一些仍然在使用非天文大地基準的國家,也需要將GNSS所獲取的數(shù)據(jù)轉(zhuǎn)換為其當?shù)氐拇蟮鼗鶞氏碌臄?shù)據(jù)�？煽康娜峙c局部區(qū)域的坐標轉(zhuǎn)換估計是大地測量學一個基礎的研究問題。一些學者將這些問題歸結(jié)于以下幾個方面:(1)當建立局部大地基準時所使用的數(shù)據(jù)采集過程;(2)應用于調(diào)節(jié)和統(tǒng)一局部大地參考網(wǎng)絡的計算調(diào)控技術;(3)局部大地參考網(wǎng)絡所收集的數(shù)據(jù)質(zhì)量;(4)局部大地基準缺乏大地高。這些挑戰(zhàn)使得局部大地網(wǎng)下的數(shù)據(jù)呈現(xiàn)異構性。一些還沒有建立大地基準的國家將會經(jīng)常面臨以上提及的問題。為了避免這種狀況,傳統(tǒng)的參數(shù)轉(zhuǎn)換方法以及無參的人工智能方法已經(jīng)廣泛應用于二維和三維的坐標轉(zhuǎn)換中。有研究表明,人工智能方法能夠取得較高的坐標轉(zhuǎn)換精度。大多數(shù)學者主要致力于一些人工智能方法的研究,例如反向傳播和徑向基神經(jīng)網(wǎng)絡,神經(jīng)模糊神經(jīng)網(wǎng)絡,模糊邏輯和遺傳編程。本文則在已有研究的基礎上,針對大地測量坐標轉(zhuǎn)換問題開展了如下創(chuàng)新性研究:(1)評估了后向傳播神經(jīng)網(wǎng)絡、徑向基神經(jīng)網(wǎng)絡以及多元線性回歸神經(jīng)網(wǎng)絡的向前坐標轉(zhuǎn)換精度。研究的本質(zhì)為探索以上提及的方法是否能夠作為基于監(jiān)督學習的標準向前方程的替代方法。本文采用了以下指標來對這些方法進行精度評定:均方誤差、相關系數(shù)、確定系數(shù)、平均誤差、平均絕對誤差、Legates和McCabe指數(shù)、相對誤差校準、平均水平位置誤差、標準差、最大和最小水平位置誤差。整體分析顯示,徑向基神經(jīng)網(wǎng)絡和多元線性回歸的標準差分別為5.184E-04m和1.008E-03m,而后向傳播神經(jīng)網(wǎng)絡的標準差為0.089m。徑向基神經(jīng)網(wǎng)絡、多元線性回歸以及后向傳播神經(jīng)網(wǎng)絡的最大水平位置誤差分別為0.004m、0.011m和0.627 m。由此得出重要結(jié)論:在該實驗區(qū)域應該采用徑向基神經(jīng)網(wǎng)絡方法來實現(xiàn)大地坐標系和笛卡爾坐標系之間的坐標轉(zhuǎn)換。(2)基于后向傳播神經(jīng)網(wǎng)絡、徑向基神經(jīng)網(wǎng)絡以及廣義回歸神經(jīng)網(wǎng)絡,提出一種能夠提高地心轉(zhuǎn)換模型結(jié)果的新方法,本文稱之為人工神經(jīng)網(wǎng)絡誤差補償模型(ANN-ECM)。該方法的本質(zhì)是將地心轉(zhuǎn)換模型轉(zhuǎn)換的坐標作為人工神經(jīng)網(wǎng)絡的輸入數(shù)據(jù),并將其預測的殘差數(shù)據(jù)作為輸出數(shù)據(jù)。然后,利用人工神經(jīng)網(wǎng)絡預測的殘差數(shù)據(jù)對現(xiàn)有的地心模型轉(zhuǎn)換的坐標數(shù)據(jù)進行修正。結(jié)果表明,傳統(tǒng)的地心轉(zhuǎn)換模型的最大水平誤差為1.99m,而本文所提方法能夠大幅度地減小該誤差至0.9m。值得指出的是,本文方法所能達到的精度與加納國家測繪部門土地委員會所規(guī)定的用于地籍測量和規(guī)劃的精度是一致的。(3)提出一種結(jié)合全局最小二乘(TLS)和徑向基神經(jīng)網(wǎng)絡的創(chuàng)新混合方法(TLSRBFNN),并將該方法應用于加納地心參考網(wǎng)絡的坐標轉(zhuǎn)換中。這種混合方法在實現(xiàn)過程中結(jié)合了全局最小二乘的函數(shù)近似能力以及徑向基神經(jīng)網(wǎng)絡的非線性建模的能力。而且,本文利用全局最小二乘作為一個優(yōu)化工具來在多方面改善徑向基神經(jīng)網(wǎng)絡,例如訓練速度以及減小網(wǎng)絡的大小以加快收斂和提高轉(zhuǎn)換結(jié)果。本文所提出的方法可以歸類為一種基于系統(tǒng)和經(jīng)驗模型的知識結(jié)合。實驗結(jié)果表明,TLS-RBFNN、徑向基神經(jīng)網(wǎng)絡(RBFNN)、全局最小二乘(TLS)分別能夠獲得0.3631、04587和0.6074的轉(zhuǎn)換精度。由此可見,本文所采用的混合方法要明顯優(yōu)于每一種單獨使用的方法。為了更近一步地評估TLS-RBFNN的優(yōu)勢,本文應用貝葉斯信息準則進行評判。TLS-RBFNN能夠取得最小的貝葉斯信息準則值,因此其被選為最適合用于進行WGS84和加納戰(zhàn)爭辦公室1926橢球坐標系之間的坐標轉(zhuǎn)換模型。(4)基于支持向量機(SVM)、最小二乘支持向量機(LS-SVM)、多元自適應回歸樣條(MARS)和極限學習機(ELM)來進行坐標轉(zhuǎn)換。這些新方法均采用加納地心參考網(wǎng)絡下的同名點。SVM、LS-SVM、MARS和ELM的結(jié)果分別和后向傳播神經(jīng)網(wǎng)絡(BPNN)、徑向基函數(shù)神經(jīng)網(wǎng)絡(RBFNN)以及二維等角和二維仿射模型結(jié)果進行比較。統(tǒng)計分析結(jié)果顯示,LS-SVM,MARS,ELM,BPNN和RBFNN相較于SVM、二維等角和二維仿射模型能夠取得更好的坐標轉(zhuǎn)換結(jié)果。整體分析表明,RBFNN能夠取得更準確的結(jié)果,其坐標轉(zhuǎn)換精度為0.137m。MARS、LS-SVM、ELM和BPNN的轉(zhuǎn)換精度分別為0.157、0.198、0.246和0.258m。SVM和二維仿射能夠取得相同的轉(zhuǎn)換精度,精度值為0.433m。二維等角模型能夠取得0.474 m的轉(zhuǎn)換精度。利用全部測試數(shù)據(jù),RBFNN、MARS、LS-SVM和ELM的最大水平位置誤差分別為0.59m、0.63m、0.84m和0.93 m。它們所對應的最小水平位置誤差分別為0.005m、0.018m、0.03m和0.008 m。RBFNN、MARS、LS-SVM和ELM的結(jié)果滿足加納測繪部門所規(guī)定的水平位置誤差容限范圍,即±0.9 m。與其相對的是,BPNN的最大和最小水平位置誤差分別為1.624m和0.04m。SVM和二維仿射的最大水平位置誤差均為2.153m,而二維等角模型的最大水平位置誤差為2.642m。雖然BPNN、SVM、二維仿射和二維等角的最大水平位置誤差不滿足規(guī)定的±0.9 m,但是這些方法仍然能夠應用于一些低精度的測繪工作中,例如為地理數(shù)據(jù)庫建立而進行的GIS數(shù)據(jù)采集、小比例尺地形圖測繪以及植被、土壤類型、地質(zhì)學等的數(shù)據(jù)轉(zhuǎn)換。本論文的研究內(nèi)容均基于作者在讀博期間所發(fā)表的3篇SCI論文以及已投SCI期刊在審的3篇論文。
[Abstract]:......
【學位授予單位】：中國地質(zhì)大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：P226.3;P228.4
，

本文編號：1450177