基于改进的二次曲面与BP神经网络组合模型的GNSS高程异常拟合
GNSS Height Abnormal Fitting Based on Modified Combined Model of Quadric Surface and BP Neural Network
摘要: 针对GNSS高程异常拟合模型未能很好拟合高程异常，本文在传统二次曲面模型中，引入一个附加高程的趋势项，将其与BP神经网络进行组合建立组合模型，并应用于高程异常拟合计算实例中。通过实例，将二次曲面拟合模型、改进的二次曲面拟合模型、半参数平差模型以及BP神经网络模型与文中提出的组合模型进行比较分析。结果表明组合模型推估外部点精度最高。
Abstract: In view of the fact that the GNSS elevation anomaly fitting model fails to fit the elevation anomaly well, this paper introduces an additional elevation trend term in the traditional quadratic surface model, combines it with the BP neural network to establish a combined model, and applies it to the elevation anomaly fitting calculation example. Through examples, the quadratic surface fitting model, the improved quadratic surface fitting model, the semi-parametric adjustment model and the BP neural network model are compared and analyzed with the combined model proposed in this paper. The results show that the combined model has the highest accuracy in estimating ex-ternal points.
文章引用：廖勋. 基于改进的二次曲面与BP神经网络组合模型的GNSS高程异常拟合[J]. 应用数学进展, 2022, 11(8): 5285-5292. https://doi.org/10.12677/AAM.2022.118555

参考文献

[1] Nasser, G., et al. (2022) A Review of GNSS-Independent UAV Navigation Techniques. Robotics and Autonomous Sys-tems, 152, Article ID: 104069. [Google Scholar] [CrossRef] 
[2] Zhang, P., Li, Z., Bao, L., et al. (2022) The Refined Gravity Field Models for Height System Unification in China. Remote Sensing, 14, 1437. [Google Scholar] [CrossRef] 
[3] 石晨阳, 张振威, 袁晓燕, 柴香, 曹海迪. 神经网络实现线状工程GNSS高程转换[J]. 导航定位学报, 2022, 10(3): 166-170.
[4] 钱建国, 樊意广. 基于改进小波神经网络的GPS高程拟合研究[J]. 大地测量与地球动力学, 2022, 42(3): 253-257.
[5] 谢洋洋, 付超, 解琨, 吴大鹏. 灰色最小支持向量机模型在高程拟合中的应用[J]. 测绘科学, 2021, 46(3): 55-60.
[6] 赵春艳. 基于Shepard插值残差修正的TIN模型预测高程异常[J]. 地理空间信息, 2022, 20(6): 128-131.
[7] 葛步月, 李瑞芳. 重力场模型在高程异常拟合中的应用[J]. 测绘技术装备, 2021, 23(4): 23-25.
[8] 雷伟伟, 郑红晓. 二次曲面拟合法在区域似大地水准面精化中的应用[J]. 测绘与空间地理信息, 2008, 31(6): 38-39+42.
[9] 王小辉, 王琪洁, 丁元兰, 刘建. 基于二次曲面和BP神经网络组合模型的GPS高程异常拟合[J]. 大地测量与地球动力学, 2012, 32(6): 103-105.
[10] 龙诗琳, 朱卫东, 王虎. 顾及长短波项与弱化模型误差的高程异常拟合方法[J]. 测绘与空间地理信息, 2019, 42(10): 104-106.
[11] 方苏阳, 赵勇. GPS高程拟合方法对比研究分析[J]. 全球定位系统, 2018, 43(4): 110-116.
[12] 王明孝, 张之孔. 基于组合模型的高程拟合方法及精度分析[J]. 测绘工程, 2013, 22(2): 1-4.
[13] 李明飞, 吴军超, 秦川. 基于移去–恢复法的局部似大地水准面精化模型对比研究[J]. 大地测量与地球动力学, 2020, 40(9): 952-956.
[14] 朱开银, 秦岩宾, 何友福. 二次–多面函数模型的GPS高程拟合及精度分析[J]. 测绘与空间地理信息, 2019, 42(2): 117-119.
[15] 韩子清, 郭杨亮, 马瑞娟, 张顺幸. 多面函数在GPS高程拟合中的应用[J]. 四川有色金属, 2019(1): 5-7
[16] 朱华. 基于三步搜索法的LSSVM在GPS高程拟合中的应用[J]. 测绘标准化, 2022, 38(2): 82-84.
[17] 刘承伦, 岳东杰. 总体最小二乘法及其在GNSS高程拟合中的应用[J]. 甘肃科学学报, 2022, 34(1): 36-39.
[18] 李广来. IGG抗差估计在高程拟合中的应用研究[J]. 南方农机, 2021, 52(14): 144-147.
[19] 沈雪峰, 高成发, 潘树国. 基于最小二乘配置法的BP神经网络GPS高程异常拟合方法研究[J]. 测绘工程, 2011, 20(4): 14-17+21.
[20] 项学泳, 李智程. 抗差自适应最小二乘配置在高程拟合中的应用[J]. 测绘与空间地理信息, 2019, 42(8): 126-129.
[21] 刘青, 崔先强, 宋迎春. 结合总体最小二乘的自适应抗差滤波算法[J]. 科技视界, 2015(24): 64-66.
[22] 杨元喜. 自适应抗差最小二乘估计[J]. 测绘学报, 1996(3): 206-211.
[23] 袁浩涛, 张欢欢, 张俊. 利用半参数模型精化二次曲面GPS高程异常拟合模型[J]. 测绘与空间地理信息, 2019, 42(1): 37-40.
[24] 柯生学. EGM2008重力场模型在高程异常拟合中的应用[J]. 经纬天地, 2020(2): 51-56.
[25] 张志杰, 王维兴, 王宝山. 基于遗传Elman神经网络进行矿区GPS高程拟合[J]. 测绘与空间地理信息, 2020, 43(4): 173-177+181.
[26] 石晨阳, 袁晓燕, 江志成. 遗传模拟退火算法优化BP神经网络的GPS高程拟合[J]. 全球定位系统, 2021, 46(5): 55-59.
[27] 张建奇. 基于GSA-BP神经网络的GNSS高程拟合方法[J]. 北京测绘, 2021, 35(3): 398-403.
[28] 施利龙. 基于改进BP神经网络的GPS高程拟合方法[J]. 北京测绘, 2020, 34(2): 260-264.
[29] 邵先锋. 基于BP神经网络和二阶多项式的高程异常拟合精度分析[J]. 山西建筑, 2020, 46(17): 168-171.
[30] 韩必武, 刘可胜, 黄晖, 陈兴达. 基于遗传算法优化BP神经网络的GNSS高程转换[J]. 江西测绘, 2019(4): 3-5.
[31] 邓才林, 周芳翊, 丁健. BP神经网络在县域GPS高程拟合中的应用[J]. 工程勘察, 2018, 46(8): 51-56.
[32] 吕建伟, 张志华, 张新秀, 刘祖昱. 二次曲面与最小二乘配置的组合模型在GPS高程异常拟合中的应用[J]. 测绘通报, 2020(5): 127-129.

为你推荐