留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种顾及粗差的径向神经网络高程曲面拟合法

何海清 黄声享 陈婷

何海清, 黄声享, 陈婷. 一种顾及粗差的径向神经网络高程曲面拟合法[J]. 武汉大学学报 ● 信息科学版, 2015, 40(4): 547-551. doi: 10.13203/j.whugis20130041
引用本文: 何海清, 黄声享, 陈婷. 一种顾及粗差的径向神经网络高程曲面拟合法[J]. 武汉大学学报 ● 信息科学版, 2015, 40(4): 547-551. doi: 10.13203/j.whugis20130041

一种顾及粗差的径向神经网络高程曲面拟合法

doi: 10.13203/j.whugis20130041
基金项目: 国家自然科学基金资助项目(41401526);测绘遥感信息工程国家重点实验室开放基金资助项目((13)重04);卫星测绘技术与应用国家测绘地理信息局重点实验室经费资助项目(KLAMTA 201404)
详细信息
    作者简介:

    何海清,博士。主要从事摄影测量与遥感、大地测量数据处理等方面研究。

  • 中图分类号: P231.5

  • 摘要: 目的 针对径向神经网络高程曲面拟合对训练样本点的粗差较为敏感的特点,从数字影像处理的原理出发,将径向神经网络拟合中含粗差训练样本点得到的格网点高程映射到灰度影像,利用影像高斯差分算法探测粗差,并采用最小二乘移动曲面法修正原始高程训练样本点中的粗差,然后再次对修正后的样本点进行径向神经网络拟合,从而实现可抵抗粗差的径向神经网络高程曲面拟合。以测量机器人采集的高程数据为例进行了实验,达到了较好的拟合结果和精度,验证了方法的鲁棒性与有效性。
  • [1] ZhangHao,WangQijie,ZhuJianjun,etal.Influ enceofSampleDataPreprocessingonBP NeuralNetwork basedGPSElevationFtting[J].犑狅狌狉狀犪犾狅犳犌犲狅犱犲狊狔犪狀犱犌犲狅犱狔狀犪犿犻犮狊,2011,31(2):125 128(张昊,王琪洁,朱建军,等.样本数据预处理对基于BP神经网络的GPS高程拟合的影响[J].大地测量与地球动力学,2011,31(2):125 128)[2] MiaoBaotong,ChenFalai.ApplicationofRadiusBasisFunctionNeuralNetworksinScatteredDataInterpolation[J].犑狅狌狉狀犪犾狅犳犆犺犻狀犪犝狀犻狏犲狉狊犻狋狔狅犳犛犮犻犲狀犮犲犪狀犱犜犲犮犺狀狅犾狅犵狔,2001,31(2):135 142(缪报通,陈发来.径向基函数神经网络在散乱数据插值中的应用[J].中国科技技术大学学报,2001,31(2):135 142)[3] SongLei,FangJian,ZhouXuhua,etal.Applica tionof Bayesian Regulation BP Neural NetworkTofitTwoKindQuasigeoid[J].犌犲狅犿犪狋犻犮狊犪狀犱犐狀犳狅狉犿犪狋犻狅狀犛犮犻犲狀犮犲狅犳 犠狌犺犪狀犝狀犻狏犲狉狊犻狋狔,2009,34(5):552 555(宋雷,方剑,周旭华,等.Bayesian正则化BP神经网络拟合两类似大地水准面[J].武汉大学学报·信息科学版,2009,34(5):552 555)[4] ZhangZhenglu,WangXiaomin,DengYong,etal.ApplicationofFuzzyNeuralNetworkinDeforma tionAnalysisandPrediction[J].犌犲狅犿犪狋犻犮狊犪狀犱犐狀犳狅狉犿犪狋犻狅狀犛犮犻犲狀犮犲狅犳 犠狌犺犪狀犝狀犻狏犲狉狊犻狋狔,2010,35(1):7 8(张正禄,王小敏,邓勇,等.模糊神经网络在变形分析与预报中的应用研究[J].武汉大学学报·信息科学版,2010,35(1):7 8)[5] HeHaiqing,HuangShengxiang,WuGen.HeightFittingbyRadialNeuralNetworkfortheConstruc tionQualityControlofFaceRockfillDam[J].犌犲狅犿犪狋犻犮狊犪狀犱犐狀犳狅狉犿犪狋犻狅狀犛犮犻犲狀犮犲狅犳 犠狌犺犪狀犝狀犻狏犲狉狊犻狋狔,2012,37(5):594 597(何海清,黄声享,伍根.528 第40卷第4期 何海清等:一种顾及粗差的径向神经网络高程曲面拟合法碾压施工质量监控的径向神经网络拟合高程研究[J].武汉大学学报·信息科学版,2012,37(5):594 597)[6] MarcekM,MarcekD.GranularRBFNeuralNet workImplementationofFuzzySystems:ApplicationtoTimeSeriesModeling[J].犕狌犾狋犻狆犾犲犞犪犾狌犲犱犔狅犵犻犮犪狀犱犛狅犳狋犆狅犿狆狌狋犻狀犵,2008,14(3/5):401 414[7] TangZesheng.Visualizationof3DDataField[M].Beijing:TsinghuaUniversityPress,1999(唐泽圣.三维数据场可视化[M].北京:清华大学出版社,1999)[8] YangXiaoyun,Guliya,CenMinyi,etal.A Meth odBasedFittingof Moving QuadricSurface withVariableWindowsforDetectingGrossErrorsinIr regularDEM[J].犃犮狋犪犌犲狅犱犪犲狋犻犮犪犲狋犆犪狉狋狅犵狉犪狆犺犻犮犪犛犻狀犻犮犪,2005,34(2):148 153(杨晓云,顾利亚,岑敏仪,等.基于不同大小窗口的移动曲面拟合法探测不规则DEM粗差的一 种方 法 [J].测 绘 学报,2005,34(2):148 153)[9] ShanJie.AnInteractiveMethodforBlunderDetec tioninDEMData[J].犑狅狌狉狀犪犾狅犳犘犔犃犐狀狊狋犻狋狌狋犲狅犳犛狌狉狏犲狔犻狀犵犪狀犱犕犪狆狆犻狀犵,1993,2:28 31(单杰.一种交互式DEM粗差检测方法[J].解放军测绘学院学报,1993,2:28 31)[10]LoweD G.ObjectRecognitionfrom LocalScale InvariantFeatures[C].TheIEEE InternationalConferenceonComputerVision,Kerkyra,Greele,1999犌狉狅狊狊犈狉狉狅狉犆狅狀狊犻犱犲狉犲犱犎犲犻犵犺狋犛狌狉犳犪犮犲犉犻狋狋犻狀犵犝狊犻狀犵犚犪犱犻犪犾犖犲狌狉犪犾犖犲狋狑狅狉犽犎犈犎犪犻狇犻狀犵1 犎犝犃犖犌犛犺犲狀犵狓犻犪狀犵2 犆犎犈犖犜犻狀犵31 FacultyofGeomatics,EastChinaInstituteofTechnology,Nanchang330013,China2 SchoolofGeodesyandGeomatics,WuhanUniversity,Wuhan430079,China3 SchoolofWaterResourcesandHydropower,WuhanUniversity,Wuhan430072,China犃犫狊狋狉犪犮狋:Heightsurfacefittingbyradialneuralnetworkissensitivetogrosserroroftrainingsam ples,aapproachofgrosserrorconsideredheightsurfacefittingusingradialneuralnetworkisintro ducedbasedontechniquesofdigitalimageprocessing,allheightgridpointsbyradialneuralnetworkwithgrosserroraremappedtograyimage,imagedifferenceofGaussianandleastsquaremovingcurvedsurfacealgorithmsareimplementedforgrosserrordetectionandcorrection,andimplementingheightfittingbyradialneuralnetworkwithgrosserrorcorrecteddiscreteheightpoints.Toverifyitsfeasibility,weimplementedheightfittingbyrobustradialneuralnetworkwiththedatafromsurvey ingrobot.Theresultsshowthatthemethodcanachievebetteraccuracy,hasstrongrobustnessandfeasibility.犓犲狔狑狅狉犱狊:radialneuralnetwork;grosserrordetection;differenceofGaussian;movingcurvedsur facemethod;heightsurfacefitting犉犻狉狊狋犪狌狋犺狅狉:HEHaiqing,PhD,specializesinthephotogrammetryandremotesensing,geodeticdataprocessing.E mail:hyhqing@163.com犉狅狌狀犱犪狋犻狅狀狊狌狆狆狅狉狋:TheNationalNaturalScienceFoundationofChina,No.41401526;theOpenResearchFundofStateKeyLaboratoryofInformationEngineeringinSurveying,MappingandRemoteSensing,No.(13)04;theOpenResearchFundofKeyLaboratoryofSat elliteMapping Technologyand Application,NationalAdministrationofSurveying,Mappingand Geoinformation,No.KLAMTA 201404.
  • [1] 郭建锋.  尺度因子的MAD估计及其在测量平差中的应用 . 武汉大学学报 ● 信息科学版, 2021, 46(11): 1636-1640. doi: 10.13203/j.whugis20190166
    [2] 鲁铁定, 杨元喜, 周世健.  均值漂移模式几种粗差探测法的MDB比较 . 武汉大学学报 ● 信息科学版, 2019, 44(2): 185-192, 199. doi: 10.13203/j.whugis20140330
    [3] 赵祥鸿, 暴景阳, 欧阳永忠, 黄贤源, 黄辰虎, 陆秀平.  利用BP神经网络剔除多波束测深数据粗差 . 武汉大学学报 ● 信息科学版, 2019, 44(4): 518-524. doi: 10.13203/j.whugis20160336
    [4] 邱春平, 秦志远, 熊新, 张红敏, 靳国旺, 李贺.  机载SAR影像定向中像点粗差的拟准检定方法 . 武汉大学学报 ● 信息科学版, 2019, 44(2): 283-288, 295. doi: 10.13203/j.whugis20150338
    [5] 吴浩, 卢楠, 邹进贵, 郭世泰.  GNSS变形监测时间序列的改进型3σ粗差探测方法 . 武汉大学学报 ● 信息科学版, 2019, 44(9): 1282-1288. doi: 10.13203/j.whugis20170338
    [6] 陈源军, 易重海.  基于站际历元二次差模型探测与修复周跳的新方法 . 武汉大学学报 ● 信息科学版, 2017, 42(6): 845-850. doi: 10.13203/j.whugis20140848
    [7] 薛树强, 杨元喜.  抗差高斯-雅克比组合平差法 . 武汉大学学报 ● 信息科学版, 2015, 40(7): 932-937. doi: 10.13203/j.whugis20130247
    [8] 王宇谱, 吕志平, 崔 阳, 吕 浩, 李林阳.  利用遗传小波神经网络预报导航卫星钟差 . 武汉大学学报 ● 信息科学版, 2014, 39(7): 809-814.
    [9] 高为广, 陈谷仓.  结合自适应滤波和神经网络的GNSS/INS抗差组合导航算法 . 武汉大学学报 ● 信息科学版, 2014, 39(11): 1323-1328.
    [10] 王建民, 张锦, 苏巧梅.  观测数据中的粗差定位与定值算法 . 武汉大学学报 ● 信息科学版, 2013, 38(10): 1225-1228.
    [11] 何海清, 黄声享, 伍根.  碾压施工质量监控的径向神经网络拟合高程研究 . 武汉大学学报 ● 信息科学版, 2012, 37(5): 594-597.
    [12] 张倩倩, 归庆明, 王延停.  处理高杠杆异常值的抗隐差型Bayes方法 . 武汉大学学报 ● 信息科学版, 2012, 37(5): 582-585.
    [13] 王延停, 归庆明.  结合影响分析的抗隐差型Bayes粗差探测方法 . 武汉大学学报 ● 信息科学版, 2012, 37(9): 1055-1058.
    [14] 罗志才, 周波阳, 钟波, 吴怿昊.  卫星重力梯度测量数据的粗差探测 . 武汉大学学报 ● 信息科学版, 2012, 37(12): 1392-1396.
    [15] 王潜心, 徐天河, 许国昌.  粗差检测与抗差估计相结合的方法在动态相对定位中的应用 . 武汉大学学报 ● 信息科学版, 2011, 36(4): 476-480.
    [16] 史磊, 李平湘, 杨杰.  利用SIFT与粗差探测进行SAR影像配准 . 武汉大学学报 ● 信息科学版, 2010, 35(11): 1296-1299.
    [17] 罗志才, 吴云龙, 钟波, 杨光.  GOCE卫星重力梯度测量数据的预处理 . 武汉大学学报 ● 信息科学版, 2009, 34(10): 1163-1167.
    [18] 张孟君, 舒红, 刘艳, 王涛.  基于空间曲面拟合的自适应阈值选取方法 . 武汉大学学报 ● 信息科学版, 2006, 31(5): 395-398.
    [19] 胡威, 殷蔚明.  一种地形遥测图像自适应滤波器 . 武汉大学学报 ● 信息科学版, 2003, 28(5): 534-537.
    [20] 黄幼才, 刘文宝.  数字化误差建模中的粗差探测和抗差估计 . 武汉大学学报 ● 信息科学版, 1995, 20(2): 151-156.
  • 加载中
计量
  • 文章访问数:  1015
  • HTML全文浏览量:  27
  • PDF下载量:  428
  • 被引次数: 0
出版历程
  • 收稿日期:  2013-04-11
  • 修回日期:  2015-04-05
  • 刊出日期:  2015-04-05

一种顾及粗差的径向神经网络高程曲面拟合法

doi: 10.13203/j.whugis20130041
    基金项目:  国家自然科学基金资助项目(41401526);测绘遥感信息工程国家重点实验室开放基金资助项目((13)重04);卫星测绘技术与应用国家测绘地理信息局重点实验室经费资助项目(KLAMTA 201404)
    作者简介:

    何海清,博士。主要从事摄影测量与遥感、大地测量数据处理等方面研究。

  • 中图分类号: P231.5

摘要: 目的 针对径向神经网络高程曲面拟合对训练样本点的粗差较为敏感的特点,从数字影像处理的原理出发,将径向神经网络拟合中含粗差训练样本点得到的格网点高程映射到灰度影像,利用影像高斯差分算法探测粗差,并采用最小二乘移动曲面法修正原始高程训练样本点中的粗差,然后再次对修正后的样本点进行径向神经网络拟合,从而实现可抵抗粗差的径向神经网络高程曲面拟合。以测量机器人采集的高程数据为例进行了实验,达到了较好的拟合结果和精度,验证了方法的鲁棒性与有效性。

English Abstract

何海清, 黄声享, 陈婷. 一种顾及粗差的径向神经网络高程曲面拟合法[J]. 武汉大学学报 ● 信息科学版, 2015, 40(4): 547-551. doi: 10.13203/j.whugis20130041
引用本文: 何海清, 黄声享, 陈婷. 一种顾及粗差的径向神经网络高程曲面拟合法[J]. 武汉大学学报 ● 信息科学版, 2015, 40(4): 547-551. doi: 10.13203/j.whugis20130041
参考文献 (1)

目录

    /

    返回文章
    返回