似大地水准面 GPS水准建模的方法的研究.docVIP

似大地水准面 GPS水准建模的方法的研究 　　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，使得采用 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。在已知正方形格网四个顶点坐标与高程异常的情况下，内插出格网内任意一点 P ( j p，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 ( j 1，w1 ，h1 ) 、( j 2，w1，h2 ) 、( j 1，w2，h3 ) 、( j 2，w2，h4 )，j 1，j 2 为经度 ，w1，w2为纬度。设格网边长或坐标跨度为 c，c值一般为2′30″ 。 　　 　　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 2′30″，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1cm级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 ( S VM)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 ― 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用。GPS水准似大地水准面的三层神经网络结构如图 3所示，数学模型表达式如公式所示: 　　 　　在公式 (2) 中: ^ y ∈R为网络的输出，即为高程异常；F (#8226; ) 为第二隐含层的激活函数，f (#8226;) 为第一隐含层的激活函数； h为第一隐含层的输出，亦即第二隐含层的输入； z∈Rm为网络的输入，即大地坐标及其组合； m为输入节点的个数， q为第一隐含层的节点数； w为输入层到第一隐含层的权值矩阵； W 为第一隐含层到第二隐含层的权值矩阵；w、W等网络参数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