论文2-基于BP-SA混合算法的GPS高程拟合.docVIP

基于BP-SA混合算法的某市GPS高程拟合 张军1 摘 要：针对误差反向传播BP算法训练速度慢和易于陷入局部最小值的缺点，利用BP算法监督学习特点和模拟退火算法SA在局部最小处的概率突变性，结合BP和SA算法，即BP-SA混合算法，应用该算法于某市GPS高程拟合，实例证明该算法是有效的。 关键词： BP算法；模拟退火算法；GPS高程拟合  引言 大地高(椭球高)是指地面点沿法线至WGS-84坐标系参考椭球面的距离，正常高是指地面点沿铅垂线方向至似大地水准面的距离，似大地水准面与参考椭球面的距离称为高程异常。它们之间的关系如下： 在一个GPS网中，经过GPS平差后，可以得到网中各点的大地高，利用既有GPS大地高又有正常高的多个已知点(简称公共点)，按上式求出这些公共点的高程异常值。然后由公共点的平面坐标和值，采用数学拟合的方法，拟合出测区内的似大地水准面。再由其它GPS点(待求点)的平面坐标()拟合(内插)出该点的高程异常值，则可求得GPS网中各点的正常高。 目前，用于高程异常拟合的数学模型有多项式曲线拟合法、三次样条曲线拟合法、三点拟合法、分区最小二乘平面拟合法、二次多项式曲面拟合法、Hardy多面函数拟合法、薄板小挠度变形模型拟合法、移动曲面拟合法等，这些模型已经取得了较好的效果。近年来提出了用神经网络进行GPS高程转换，理论上已经证明前向神经网络通过对部分样本的训练、学习, 可以以任意精度逼近任何连续的非线性函数。但不同的算法收敛速度不同,获得的高程转换精度也不一致,常采用的BP 算法由于目标函数是权重多维空间的超曲面,该曲面存在着许多大范围的“平坦区”与大量的局部极小的“沟谷”,不仅影响整个网络的收敛速度,而且有时难以收敛。 BP网络算法和SA算法介绍 2.1 BP网络算法 BP网络算法的网络模型是目前神经网络模型中使用最广泛的一种，其思路如下图 图1 BP网络算法的思路 BP算法的主要思想是把学习过程分为两个阶段： 第一阶段(正向传播过程)：给出输入信息通过输入层经隐含层逐层处理并计算每个单元的实际输出值。 第二阶段(反向传播过程)：若在输出层未能得到期望的输出值，则逐层递归地计算实际输出与期望输出之差值(即误差)，以便根据此差调节权值。具体地说，就是可对每一个权重计算出接收单元的误差值与发送单元的激活值的积。因为这个积和误差对权重的(负)微商成正比(又称梯度下降算法)，把它称作权重误差微商。权重的实际改变可由权重误差微商按各个模式分别计算出来。 这两个过程的反复运用，使得误差信号最小。实际上，误差达到人们所希望的要求时，网络的学习过程就结束。2.2 SA算法 模拟退火算法(Simulated Annealing Algorithm，SA)是一种求目标函数极小值的全局优化算法，其基本思路来源于统计物理学,其算法过程如下： (1) 选取初始点和初始温度，令。 (2) 就算初始点的目标函数值。 (3) 若，则转(6) (4) 对进行随机扰动，得到新点。 (5) 计算新点的目标函数值和目标之差： 若，则降温： (1) 且令，，，，转(3). (b)，则产生一个上的随机数，并按(2)式计算接受非优点的概率： (2) 然后比较与： b.1 若，则接收非优点，即，转(3)。 b.2 转(3)。 (6) 输出。 BP-SA混合算法设计 BP算法的众多改进方案都基于误差按梯度方向下降，这样显然会对误差函数空间局部结构敏感，却失去了对全局最小点的方向感。BP算法通过对网络实施学习训练、样本采集，以梯度下降法迭代求解权值，实现了输入输出的非线性映射。从数学上讲，对权值的求解是一非线性优化问题。由于采用梯度方法，当学习速率选取很小时，将不可避免的滑入局部最小点。显然迭代过程陷入局部最小点并在其附近引起迭代步数的无限增长。由此可见，BP算法对能量空间高低分布的判别是盲目的，它只可能对邻近区域的最小点敏感。当能量空间分布复杂时，BP算法将失去方向感，梯度下降就很难奏效。为此本节引入模拟退火理论，将两种算法结合起来，用模拟退火算法启发性的指明方向以跳出局部最小点，以BP方法加快迭代，按梯度方向滑入全局最小点，减少无用的搜索过程。这样既利用了基于梯度下降的指导学习来提高局部搜索性能，也利用了SA的概率突跳性来实现最终的全局收敛性，从而提高学习速度和精度。 BPSA混合学习策略的算法步骤如下： 随机产生初始权值，确定初温，令。 “细调”，即利用BP计算，。 (3) “粗调”，即利用SA进行搜索： 利用SA状态产生函数产生新权值，，其中为随机扰动。 计算的目标函数值与的目标函数值之差。 计算接受概率。 (4) 若，则取；否则，