资源描述：
《似大地水准面gps水准建模方法探究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、似大地水准面GPS水准建模方法探究中图分类号：P228.4文献标识码：A文章编号：近年来GPS连续运行服务参考基准站在各个城市陆续建成，使得釆用GPS网络RTK技术在很短的时间内，就可以获得高精度的GPS三维大地坐标，为了快速地将GPS大地高转换为人们常用的水准海拔高，需建立GPS水准似大地水准面模型。确定似大地水准面的方法有：几何方法、重力方法、以及几何与重力组合法。1＞高程异常格网内插似大地水准面高程异常格网示意图如图1所示，图1中共4个由虚线表示的格网，分别以a、b、c、d标识，以左上角坐标表示其在空间的位置。进行高程异常内插时是在图1中的实线正方形(见图2)内进行的。在已知正方形
2、格网四个顶点坐标与髙程异常的情况下，内插出格网内任意一点P(jp,wp)的高程异常hp,如图2所示，图2中的正方形与图1中的实线正方形相对应。设正方形格网四个顶点坐标与高程异常分别为(j1,wl,hl)、(j2,wl,h2)、(j1,w2,h3)、(j2,w2,h4),j1,j2为经度，wl,w2为纬度。设格网边长或坐标跨度为c,c值一般为2’30〃o内插P点的高程异常有两种方式，一是先内插出A,B两点的高程异常，再内插出P点的高程异常；二是先内插出C,D两点的高程异常，再内插出P点的高程异常。两种方式得到的结果是一致的，以A,B两点内插出P点为例:这种线性内插模型的优点是简单易行，然而
3、这种算法是建立在格网内的高程异常近似地遵守线性变化的基础之上的。如果格网宽度为2730〃，单个格网面积中，高程异常呈线性变化只能是一种近似与假设；其次，在区域的边界线上，格网任何一个顶点的高程异常因跨出边界而未知时,这种内插方式将失败；其三，线性内插不能反映出似大地水准面小于格网宽度的精细结构。把区域似大地水准面划分为多个格网进行高程异常的内插，还会存在一个问题，即拼成的整体曲面并不是光滑的。单个格网所形成的面既不是平面，也不是曲面，而是一种线性扭面。似大地水准面由扭面拼成，必然会在格网的顶点处形成“尖点”，而在格网边上形成“折痕”，因而这种似大地水准面整体上不是光滑的曲面，对于lcm级
4、精度的似大地水准面，应顾及这种线性近似误差。2GPS水准似大地水准面建模采用粗差检测技术和虚拟观测值结合支持向量机（SVM）和神经网络（ANN）两种机器学习方法建立两套似大地水准面模型，它们都是非线性模型，所得到的似大地水准面是连续光滑的曲面。似大地水准面建模过程分为两个步骤，其一是采用粗差判别与虚拟观测技术生成没有粗差的高程异常控制点；其二是根据高程异常控制点建立机器学习模型。2.1粗差判别与虚拟观测技术为了克服GPS水准分辨率低的问题，本文提出了虚拟观测值的概念。粗差判别与构造虚拟观测值的基本思路是通过绘制高程异常高密度等值线，进行整体分析判断，人工直观地发现明显粗差点并剔除，以及通
5、过等值线在测区边缘或较大测点空白区内插虚拟观测点，从而使拟合的GPS水准似大地水准面不至于发生畸变。等值线的生成算法由两个步骤组成：①采用线段法追踪等值点；②采用样条磨光一盈亏修正法进行光滑插值。虚拟观测点并不是简单地由线性内插形成，而是在线性内插的基础上进行了非线性的样条磨光，虚拟观测点是组合了所有实测点而产生的，考虑了所有实测点之间的协作性与相容性。因此，虽然虚拟观测点出自实测点，但又包含了各个实测点所未能表达的更丰富的信息。2.2机器学习模型根据已知信息来推求目标点的未知信息，属于统计学习理论研究的范围，其思路是用已知信息去训练学习机器，学习机器把学得的知识储存在其网络结构中以用于
6、进行推广。似大地水准面的建模，是一个典型的机器学习问题。神经网络（ANN）、支持向量机（SVM）等方法是近年来在统计学习理论的基础上发展的有效学习方法，这些方法在许多领域中取得了成功的应由神经网络学习算法通过迭代确定。在GPS水准似大地水准面模型建立中，我们认为神经网络作为传统的学习方法存在一些局限性，例如网络最优结构确定困难、学习过程不易控制，即存在明显的欠学习或过学习问题、采用梯度修正算法只能保证找到局部最优值，即拟合中误差下降到一定阈值(如5mm)时，进一步下降较困难。相比之下，支持向量机方法具有一定的优势，内符合精度可达到3mm,并且由大量虚拟观测值计算的外符合精度也优于5mm,
7、可以认为，支持向量机模型是基于现有信息条件下的最优模型，其模型误差非常小。GPS水准似大地水准面的支持向量机结构如图4所示，数学模型表达式如公式所示：式中，y为输出向量，即高程异常；x=(xl,x2,…,xd)eRd为输入向量，即大地坐标；权值wi=aiyi为待求参数，通过支持向量机学习算法确定；s(sWd)为支持向量的个数；K(xi,x)为核函数，它表示为从输入空间到特征空间的映射①(x)的内积，即K(xi,xj)=o核函数方法通
