為找出無人機(jī)實(shí)測(cè)數(shù)據(jù)高程轉(zhuǎn)換擬合的方法,本文基于不同激活函數(shù)激活極限學(xué)習(xí)機(jī)模型得到ELMS、ELMR、ELMH3種模型,并將計(jì)算結(jié)果與廣義回歸神經(jīng)網(wǎng)絡(luò)模型和BP神經(jīng)網(wǎng)絡(luò)模型對(duì)比,結(jié)果表明:基于5種模型可對(duì)無人機(jī)實(shí)測(cè)高程數(shù)據(jù)的異常點(diǎn)進(jìn)行篩選并剔除,3種ELM模型對(duì)于高程點(diǎn)的篩選結(jié)果基本一致,共篩選出了21個(gè)高程異常點(diǎn),GRNN模型精度次之,BP神經(jīng)網(wǎng)絡(luò)模型精度最低,ELM模型在不同激活函數(shù)下的計(jì)算精度有所不同,其中ELMS模型在高程點(diǎn)剔除和高程數(shù)據(jù)擬合中精度最高,RMSE僅為0.157m,而Ens和R2分別達(dá)到了0.944和0.968,可為無人機(jī)實(shí)測(cè)數(shù)據(jù)高程轉(zhuǎn)換擬合的標(biāo)準(zhǔn)模型使用。 

【文章來源】：北京測(cè)繪. 2020,34(08)

【文章頁(yè)數(shù)】：4 頁(yè)

【部分圖文】：

測(cè)點(diǎn)分布圖

訓(xùn)練測(cè)點(diǎn)和預(yù)測(cè)測(cè)點(diǎn)分布圖

為防止因?yàn)闊o人機(jī)飛行時(shí)的異常情況導(dǎo)致高程出現(xiàn)異常值影響整體模型計(jì)算效果。在進(jìn)行模型高程擬合之前需對(duì)高程異常點(diǎn)進(jìn)行剔除，選擇出合適的高程點(diǎn)進(jìn)行訓(xùn)練模型，保證模型精度，圖3中列舉了基于這5種模型進(jìn)行高程異常點(diǎn)剔除的結(jié)果。由圖中可以看出，基于5種模型可對(duì)無人機(jī)實(shí)測(cè)高程數(shù)據(jù)的異常點(diǎn)進(jìn)行篩選并剔除，3種ELM模型對(duì)于高程點(diǎn)的篩選結(jié)果基本一致，共篩選出了21個(gè)高程異常點(diǎn)，而GRNN模型篩選精度較低，僅篩選出了14個(gè)高程異常點(diǎn)，BP神經(jīng)網(wǎng)絡(luò)模型精度最低，僅篩選出10個(gè)異常點(diǎn)，這與BP神經(jīng)網(wǎng)絡(luò)模型易產(chǎn)生極值的特點(diǎn)一致。通過ELM模型的篩選結(jié)果，可以此結(jié)果為基礎(chǔ)，對(duì)高程進(jìn)行擬合，保證擬合精度。2.2 不同方法高程擬合結(jié)果對(duì)比

【參考文獻(xiàn)】：
期刊論文
[1]GPS高程擬合法比較以及精度分析[J]. 鄭荃心.  北京測(cè)繪. 2019(08)
[2]一種改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)GPS高程擬合方法[J]. 潘偉鋒.  北京測(cè)繪. 2019(07)
[3]幾種建筑物立面測(cè)量方法對(duì)比分析[J]. 黎其添.  北京測(cè)繪. 2019(07)
[4]無人機(jī)傾斜攝影在建筑物立體測(cè)量中的應(yīng)用[J]. 付主俊.  北京測(cè)繪. 2019(07)
[5]基于不同ELM的西北旱區(qū)參考作物蒸散量模擬模型[J]. 徐穎,張皓杰,崔寧博,馮禹,胡笑濤,龔道枝.  中國(guó)農(nóng)村水利水電. 2019(01)
[6]帶有部分不確定性的平差算法在GPS高程擬合中的應(yīng)用[J]. 左廷英,丁俊豪,宋迎春,肖兆兵.  測(cè)繪工程. 2018(06)
[7]基于重力場(chǎng)模型的GPS高程擬合精度分析[J]. 王建成,許宏燕,袁樹才,古共平.  人民珠江. 2017(12)
[8]機(jī)器學(xué)習(xí)算法和Hargreaves模型在四川盆地ET0計(jì)算中的比較[J]. 馮禹,崔寧博,龔道枝.  中國(guó)農(nóng)業(yè)氣象. 2016(04)
[9]基于廣義回歸神經(jīng)網(wǎng)絡(luò)的GPS高程轉(zhuǎn)換[J]. 王新志,祝明坤,曹爽.  大地測(cè)量與地球動(dòng)力學(xué). 2011(06)



本文編號(hào)：3311677