基于bp神经网络的gps高程拟合的实现系统及方法
【技术领域】
[0001] 本发明属于地质测量技术领域，特别地，涉及一种基于BP神经网络的GPS高程拟 合的实现系统及方法。
【背景技术】
[0002] 目前，GPS的观测数据经处理后，可得到两点间的基线向量及高精度的大地高差， 如果已知一点的大地高，即可求得全网各点的大地高，大地高是以椭球面为基准的高程系 统，而我国工程中采用的是以似大地水准面为基准的正常高系统。由于似大地水准面是一 个不规则的曲面，它无法用一个精准的曲面来模拟，这就使得GPS只能提供高精度的大地 高，而不是正常高。这严重影响了 GPS三维定位应用的发展，使其提供三维坐标的优越性 未能得到充分发挥。因此，在生产中GPS高精度的高程信息资源往往被浪费。由于GPS测 高要远比传统水准测量来得便捷，故人们期望能用GPS高程测量来逐步取代传统的水准测 量，也就需要研究GPS大地高与正常高之间的转换关系，即解决高程异常的问题。
[0003] 现有技术的GPS高程拟合方法一般采用数学模型拟合法，包括平面拟合法、二次 曲面拟合法、加权均值法、多面函数法等，这些数学模型拟合法对似大地水准面做了人为假 设，其带来的显著缺点是：拟合的成本较高，拟合的精度较低。另外，现有技术也有人工神经 网络方法进行GPS高程转换，但缺点是未设计出合理的网络结构以正确转换GPS高程。
【发明内容】
[0004] 有鉴于此，本发明的主要目的在于提供一种基于BP神经网络的GPS高程拟合的实 现系统，其能够使得GPS高程转换结果精度高、实时性好。
[0005] 为达到上述目的，本发明的技术方案是这样实现的：一种基于BP神经网络的GPS 高程拟合的实现系统，其特征在于，包括：
[0006] 数据存储单元，用于将空间数据存储为地理空间数据；
[0007] 数据提取单元，用于通过ArcGIS建立ShapeFile和dBASE表，读取数据信息并显 示图层；
[0008] 数据选取单元，用于将数据信息进行样本分配与选择，所述样本分配包括用于训 练模型的训练样本集，以及用于检验模型是否达到了要求的工作样本集；
[0009] 数据拟合单元，用于根据样本数据确定输入层、输出层的神经元数目，同时调整隐 层神经元数目；根据输入设定确定神经网络隐层层数、隐层及输出层变换函数、训练算法函 数；对网络进行连接权值和阈值的初始化；根据样本的输入矢量、目标矢量，和预先已设置 好的训练函数对网络进行训练；根据已训练好的网络，对测试数据进行仿真计算；
[0010] 隐层确定单元，用于选取和确定隐层节点数，通过改变节点数来确定隐层单元数。
[0011] 本发明的另一目的在于提供一种基于BP神经网络的GPS高程拟合的实现方法，其 特征在于，包括：
[0012] 步骤一，将空间数据存储为地理空间数据；
[0013] 步骤二，数据提取，通过ArcGIS建立ShapeFile和dBASE表，读取数据信息并显示 图层；
[0014] 步骤三，将数据信息进行样本分配与选择，所述样本分配包括用于训练模型的训 练样本集，以及用于检验模型是否达到了要求的工作样本集；
[0015] 步骤四，数据拟合，包括：
[0016] e.根据样本数据确定输入层、输出层的神经元数目，同时调整隐层神经元数目； 根据输入设定确定神经网络隐层层数、隐层及输出层变换函数、训练算法函数；
[0017] f.对网络进行连接权值和阈值的初始化；
[0018] g.根据样本的输入矢量、目标矢量，和预先已设置好的训练函数对网络进行训 练；
[0019] h.根据已训练好的网络，对测试数据进行仿真计算；
[0020] 步骤五，选取和确定隐层节点数，通过改变节点数来确定隐层单元数。
[0021] 本发明相对于现有技术具有以下突出的实质性特点和显著的进步：
[0022] 结构简单，建立了基于BP神经网络的GPS高程拟合的网络结构，包括数据存储单 元，数据提取单元，据选取单元，数据拟合单元，隐层确定单元；实现方便，数据拟合时根据 样本数据确定输入层、输出层的神经元数目，同时调整隐层神经元数目；根据输入设定确定 神经网络隐层层数、隐层及输出层变换函数、训练算法函数，构造了基于BP神经网络的GPS 高程拟合模型，进行GPS高程转换，其实现了网络转换结果精度高、网络性能稳定、实时性 好的显著效果。同时，也实现了节点空间位置数据、区域边界、路径的提取，以及空间数据 存储与管理，为施工生产决策提供了数据依据，节约了生产成本。提高了 GPS高程拟合的精 度，可以使GPS拟合高程取代传统水准测量方法。
【附图说明】
[0023] 图1为本发明的基于BP神经网络的GPS高程拟合的实现系统的结构示意图；
[0024] 图2为本发明的基于BP神经网络的GPS高程拟合的实现方法的流程图；
[0025] 图3为本发明的GPS高程拟合用点示意图；
[0026] 图4(a)和图4(b)为本发明对应的工作集各点误差图；
[0027] 图5为本发明的两种数据分配方案对应的最优结果误差比较图；
[0028] 图6为本发明对应的不同节点数时的误差值示意图；
[0029]
【具体实施方式】
[0030] 下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以 更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
[0031] 请参照图1，本发明的基于BP神经网络的GPS高程拟合的实现系统包括：数据存 储单元101，用于存储空间数据为地理空间数据；数据提取单元102,用于通过ArcGIS建立 ShapeFile和dBASE表，读取数据信息并显示图层；数据选取单元103,用于将数据信息进行 样本分配与选择，所述样本分配包括用于训练模型的训练样本集，以及用于检验模型是否 达到了要求的工作样本集；数据拟合单元104,用于根据样本数据确定输入层、输出层的神 经元数目，同时调整隐层神经元数目；根据输入设定确定神经网络隐层层数、隐层及输出层 变换函数、训练算法函数；对网络进行连接权值和阈值的初始化；根据样本的输入矢量、 目标矢量，和预先已设置好的训练函数对网络进行训练；根据已训练好的网络，对测试数据 进行仿真计算；隐层确定单元105,用于选取和确定隐层节点数，通过改变节点数来确定隐 层单元数。
[0032] 优选地，空间数据是用来表示空间实体的位置、形状、大小及其分布特征方面信息 的数据，具有定位、定性、时间和空间关系特性，SQL SerVer2008支持三种类型的空间数据， 用来表示空间信息的几何图形，分别为：点（point)、线（line string)和面（polygon)。
[0033] 优选地，地理空间数据用一个三维的球面来确定地物在地球上的位置，点緬甸的 地理坐标有精度、维度、高程构成。
[0034] 优选地，地理空间数据集中存储的不仅是数据的空间特征，还包括数据的各种属 性信息，在Shapefile文件中可以通过添加属性项的方法来增加数据的各种属性信息的载 体。
[0035] 优选地，本实施例通过ArcGIS建立ShapeFile和dBASE表，Shapefile文件至少 包括主文件，索引文件，以及dBASE表，还可包括特征空间索引文件，储存地理要素主体属 性表以及储存投影信息的文件。
[0036] 优选地，还包括数据处理单元106,用于对所述数据提取单元提取的数据进行归一 化处理。
[0037] 请参照图2,本发明的基于BP神经网络的GPS高程拟合的实现方法，包括：S101， 存储空间数据为地理空间数据；S102,数据提取，通过ArcGIS建立ShapeFile和dBASE表， 读取数据信息并显示图层；S103,将数据信息进行样本分配与选择，所述样本分配包括用于 训练模型的训练样本集，以及用于检验模型是否达到了要求的工作样本集；S104,数据拟 合，包括：根据样本数据确定输入层、输出层的神经元数目，同时调整隐层神经元数目；根 据输入设定确定神经网络隐层层数、隐层及输出层变换函数、训练算法函数；对网络进行连 接权值和阈值的初始化；根据样本的输入矢量、目标矢量，和预先已设置好的训练函数对网 络进行训练；根据已训练好的网络，对测试数据进行仿真计算；S105,选取和确定隐层节点 数，通过改变节点数来确定隐层单元数。
[0038] 请参照图3至图6,下面以具体的实施例描述本发明的基于BP神经网络的GPS高 程拟合的实现方法。
[0039] 第一步，获取GPS数据
[0040] GPS接收机的实时定位系统接收到的数据以geography数据类型存储于数据库的 表中，如下表所示：
[0041]
[0042] 在Visual studio 2008环境下，用C#语言编写程序，读取点位信息存储在文本 中，程序为：
[0043] con);
[0044] 用Excel表打开文本中的点数据，利用ArcGIS建立ShapeFile和dBASE表，读取 数据信息并显示图层。
[0045] 第二步，神经网络模型的建立
[0046] 采用标准激活函数的神经网络其标准输入、输出数据限定范围为[0，1]，而实际工 程应用中的参数（X，Y)，其数值都非常大，需要将其转换为[0，1]区间的值。另外，输出结 果接近0或1的区域是网络的饱和区。优选地，输出数据范围设定为[0.2,0. 8]或[0. 1， 0. 9]，能够避开网络的饱和区，最终实现精确地效果。
[0047] 优选地，实施例采用归一化处理的算法为：
[0048] PN = 2*(PN-min p)/(max p-min p)-1
[0049] 式中PN :归一化输入向量矩阵；
[0050] minp :输入向量P各列向量的最小值；
[0051] maxP :输入向量P各列向量的最大值。
[0052] 优选地，实施例采用归一化处理的算法为：
[0053] Pn = 2*(p-min p)/(max p-min p)-1
[0054] 式中，minp :输入向量P各列向量的最小值；maxP :输入向量P各列向量的最大值； P为输入向量矩阵。在GPS高程拟合