量子粒子群BP神经网络在GNSS高程转换中的应用分析

doi:10.13474/j.cnki.11-2246.2019.0017

测绘通报 ›› 2019, Vol. 0 ›› Issue (1): 85-88.doi: 10.13474/j.cnki.11-2246.2019.0017

量子粒子群BP神经网络在GNSS高程转换中的应用分析

韩红超

宁波市测绘设计研究院, 浙江宁波 315100

收稿日期:2018-04-12 修回日期:2018-09-14 出版日期:2019-01-25 发布日期:2019-02-14
作者简介:韩红超(1985-),男,硕士,高级工程师,国家注册测绘师,主要从事CORS推广服务、基础测绘应用研究、地面沉降监测及灾害防治等工作。E-mail:573568837@qq.com

The research and application of quantum particle swarm BP neural network in GNSS elevation transformation

HAN Hongchao

Mapping Design Academy of Ningbo, Ningbo 315100, China

Received:2018-04-12 Revised:2018-09-14 Online:2019-01-25 Published:2019-02-14

摘要/Abstract

摘要： 提出了一种基于量子粒子群神经网络（QPSO-BP）模型的GNSS高程转换方法，通过建立GNSS点平面坐标与正常高之间的三层QPSO-BP数学模型而实现GNSS高程转换。试验分析结果表明，该方法全局迭代进化搜索能力高、稳健性强、拟合及预测精度高，在GNSS高程转换方面具有良好的有效性与先进性。

关键词: 量子粒子群, BP神经网络, GNSS高程转换

Abstract: In this paper, a GNSS elevation transformation method based on quantum particle swarm neural network (QPSO-BP) model is proposed. By establishing the three level QPSO-BP mathematical model between GNSS point plane coordinates and normal height, the GNSS elevation transformation is realized. The experimental results show that the method has high global search ability, strong robustness, high fitting and prediction accuracy. This method has good effectiveness and advancement in GNSS elevation transformation.

Key words: quantum particle swarm, BP neural network, GNSS elevation transformation

中图分类号:

P228

韩红超. 量子粒子群BP神经网络在GNSS高程转换中的应用分析[J]. 测绘通报, 2019, 0(1): 85-88.

HAN Hongchao. The research and application of quantum particle swarm BP neural network in GNSS elevation transformation[J]. 测绘通报, 2019, 0(1): 85-88.

参考文献

[1] 谢旭阳.GPS高程测量与转换方法的研究[D].重庆:重庆大学,2008.
[2] 钱建国,刘淑亮.BP神经网络在GPS高程拟合中的应用探讨[J].测绘与空间地理信息,2017,40(1):18-20.
[3] 刘成龙,杨天宇.基于BP神经网络的GPS高程拟合方法的探讨[J].西南交通大学学报,2007,42(2):148-152.
[4] 范娜,云庆夏.粒子群优化算法及其应用[J].信息技术,2006,30(1):53-56.
[5] 何怡刚,祝文姬,周炎涛,等.基于粒子群算法的模拟电路故障诊断方法[J].电工技术学报,2016(6):163-171.
[6] 赵振江.基于PSO-BP神经网络的网络流量预测与研究[J].计算机应用与软件,2009,26(1):218-221.
[7] 李松,刘力军,翟曼.改进粒子群算法优化BP神经网络的短时交通流预测[J].系统工程理论与实践,2012,32(9):2045-2049.
[8] 张良林,王全凤,林煌斌.BP神经网络隐含层单元数的确定[J].天津理工大学学报,2008,24(5):13-15.
[9] 林开英,俞集辉.神经网络短期负荷预测中的数据分析[J].重庆大学学报,2002,25(9):5-7.
[10] 程声烽,程小华,杨露.基于改进粒子群算法的小波神经网络在变压器故障诊断中的应用[J].电力系统保护与控制,2014,42(19):37-42.
[11] 刘景艳.基于改进粒子群神经网络的提升机故障诊断[J].河南理工大学学报(自然科学版),2014,33(3):313-317.
[12] 雷斌,陶海龙,徐晓光.基于改进粒子群优化算法的灰色神经网络的铁路货运量预测[J].计算机应用,2012,32(10):2948-2951.
[13] 马军杰,尤建新,陈震.基于改进粒子群优化算法的灰色神经网络模型[J].同济大学学报(自然科学版),2012,40(5):740-743.
[14] 陈佳兵,吴自银,赵荻能,等.基于粒子群优化算法的PSO-BP海底声学底质分类方法[J].海洋学报,2017,39(9):51-57.
[15] 党宏社,刘芳芳,张超.改进粒子群神经网络在发射机控制器故障诊断中的应用[J].陕西科技大学学报,2017,35(2):154-182.

量子粒子群BP神经网络在GNSS高程转换中的应用分析

The research and application of quantum particle swarm BP neural network in GNSS elevation transformation

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	刘璐, 罗年学, 赵前胜. 基于历史数据的黄海浒苔爆发规模预测[J]. 测绘通报, 2022, 0(7): 7-11.
[2]	冯俊俊, 周立, 欧阳犬平, 周珍. 优化短期余水位组合预测模型[J]. 测绘通报, 2022, 0(3): 96-100.
[3]	丁仁军, 王友昆, 张君华, 刘晨. 基于BP神经网络的昆明天顶湿延迟模型[J]. 测绘通报, 2022, 0(3): 107-110.
[4]	毛斌, 韩文泉, 谢宏全, 吕海扬. 基于北京二号影像辅助nDSM的建筑物自动提取[J]. 测绘通报, 2022, 0(3): 132-137.
[5]	李紫微, 马庆勋, 吕杰. BP神经网络的近地面臭氧估算及时空特征分析[J]. 测绘通报, 2021, 0(6): 28-32,126.
[6]	宋宝, 柯福阳, 赵兴旺. 面向LiDAR/Radar松组合的迭代加权IEKF-BP组合算法精度分析[J]. 测绘通报, 2021, 0(2): 44-48.
[7]	鲁小红. 最优权组合预测法在采煤沉陷变形预测中的应用[J]. 测绘通报, 2020, 0(4): 111-115.
[8]	郭云开, 许敏, 张晓炯, 刘雨玲. 结合PRO-4SAIL和BP神经网络的叶绿素含量高光谱反演[J]. 测绘通报, 2020, 0(3): 21-24.
[9]	冯绍权, 花向红, 陶武勇, 宣伟, 吴伟, 续东. 一种基于GA-BP-MC神经网络的高铁桥墩沉降预测模型[J]. 测绘通报, 2019, 0(7): 50-53,82.
[10]	周访滨, 邹联华, 张晓炯, 孟凡一. 栅格DEM微地形分类的BP神经网络法[J]. 测绘通报, 2019, 0(10): 101-104,132.
[11]	杨丁亮, 刘志平, 仲崇武. 百度地图坐标解密方法精度分析[J]. 测绘通报, 2018, 0(7): 43-47.
[12]	丰秋林, 郑南山. 机器学习算法辅助的GPS信噪比观测值土壤湿度反演[J]. 测绘通报, 2018, 0(7): 106-111.
[13]	陈智伟, 张兴福, 胡波, 刘成. 利用RBF实现线状工程中GNSS高程转换的精度分析[J]. 测绘通报, 2018, 0(12): 79-82,86.
[14]	黄凯, 陈渠森, 鞠博晓. GNSS自动化监测系统的大坝变形预测方法研究[J]. 测绘通报, 2018, 0(1): 147-150.
[15]	沈震, 徐良骥, 刘潇鹏, 秦长才, 王振兵. 机器学习辅助下的概率积分法参数预计模型寻优[J]. 测绘通报, 2016, 0(10): 35-38.