針對傳統(tǒng)的RBF神經網絡模型在GNSS高程擬合中擬合精度較低、穩(wěn)定性較差、相關因子需提前人為設置等問題,通過將改進的自適應權重粒子群優(yōu)化算法與MATLAB RBF神經網絡函數newrb相結合,實現(xiàn)RBF神經網絡函數模型中隱含節(jié)點數和SPREAD值的自動優(yōu)化選取,提高算法在GNSS高程擬合中的精度和穩(wěn)定性。通過實例分析,該方法擬合精度高,可達到mm級精度,相對于傳統(tǒng)的二次多項式模型精度提高17%,穩(wěn)定性良好。

【文章頁數】：5 頁

【部分圖文】：

圖1RBF神經網絡拓撲結構

f(x)=∑i=1mhi(x)wi?????????(4)1.2基于RBF神經網絡GNSS高程擬合

圖2多峰值函數

為了驗證本文提出的改進粒子群算法優(yōu)化能力,采用函數fv=20+x2+y2-10(cos(2πx)+cos(2πy))進行20次仿真實驗。該函數在區(qū)間[-5,5;-5,5]上具有多個極小值,在點(0,0)處有最小值0。函數圖像見圖2。分別利用基本粒子群算法、自適應權重粒子群算法以及....

圖310次實驗擬合殘差值

本文采用某市區(qū)中的40個經四等水準聯(lián)測的GNSS控制點作為實驗數據,其中前26個點作為訓練樣本數據,后14個點作為神經網絡模型測試數據。首先利用改進的RBF神經網絡模型進行10次GNSS高程擬合實驗。其測試數據殘差見圖3。由圖3可知,改進的RBF神經網絡GNSS高程擬合模型穩(wěn)定性....

本文編號：3907456