針對(duì)傳統(tǒng)的RBF神經(jīng)網(wǎng)絡(luò)模型在GNSS高程擬合中擬合精度較低、穩(wěn)定性較差、相關(guān)因子需提前人為設(shè)置等問(wèn)題,通過(guò)將改進(jìn)的自適應(yīng)權(quán)重粒子群優(yōu)化算法與MATLAB RBF神經(jīng)網(wǎng)絡(luò)函數(shù)newrb相結(jié)合,實(shí)現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)函數(shù)模型中隱含節(jié)點(diǎn)數(shù)和SPREAD值的自動(dòng)優(yōu)化選取,提高算法在GNSS高程擬合中的精度和穩(wěn)定性。通過(guò)實(shí)例分析,該方法擬合精度高,可達(dá)到mm級(jí)精度,相對(duì)于傳統(tǒng)的二次多項(xiàng)式模型精度提高17%,穩(wěn)定性良好。

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

圖1RBF神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

f(x)=∑i=1mhi(x)wi?????????(4)1.2基于RBF神經(jīng)網(wǎng)絡(luò)GNSS高程擬合

圖2多峰值函數(shù)

為了驗(yàn)證本文提出的改進(jìn)粒子群算法優(yōu)化能力,采用函數(shù)fv=20+x2+y2-10(cos(2πx)+cos(2πy))進(jìn)行20次仿真實(shí)驗(yàn)。該函數(shù)在區(qū)間[-5,5;-5,5]上具有多個(gè)極小值,在點(diǎn)(0,0)處有最小值0。函數(shù)圖像見(jiàn)圖2。分別利用基本粒子群算法、自適應(yīng)權(quán)重粒子群算法以及....

圖310次實(shí)驗(yàn)擬合殘差值

本文采用某市區(qū)中的40個(gè)經(jīng)四等水準(zhǔn)聯(lián)測(cè)的GNSS控制點(diǎn)作為實(shí)驗(yàn)數(shù)據(jù),其中前26個(gè)點(diǎn)作為訓(xùn)練樣本數(shù)據(jù),后14個(gè)點(diǎn)作為神經(jīng)網(wǎng)絡(luò)模型測(cè)試數(shù)據(jù)。首先利用改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行10次GNSS高程擬合實(shí)驗(yàn)。其測(cè)試數(shù)據(jù)殘差見(jiàn)圖3。由圖3可知,改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)GNSS高程擬合模型穩(wěn)定性....

本文編號(hào)：3907456