為找出無人機實測數(shù)據(jù)高程轉換擬合的方法,本文基于不同激活函數(shù)激活極限學習機模型得到ELMS、ELMR、ELMH3種模型,并將計算結果與廣義回歸神經(jīng)網(wǎng)絡模型和BP神經(jīng)網(wǎng)絡模型對比,結果表明:基于5種模型可對無人機實測高程數(shù)據(jù)的異常點進行篩選并剔除,3種ELM模型對于高程點的篩選結果基本一致,共篩選出了21個高程異常點,GRNN模型精度次之,BP神經(jīng)網(wǎng)絡模型精度最低,ELM模型在不同激活函數(shù)下的計算精度有所不同,其中ELMS模型在高程點剔除和高程數(shù)據(jù)擬合中精度最高,RMSE僅為0.157m,而Ens和R2分別達到了0.944和0.968,可為無人機實測數(shù)據(jù)高程轉換擬合的標準模型使用。 

【文章來源】：北京測繪. 2020,34(08)

【文章頁數(shù)】：4 頁

【部分圖文】：

測點分布圖

訓練測點和預測測點分布圖

為防止因為無人機飛行時的異常情況導致高程出現(xiàn)異常值影響整體模型計算效果。在進行模型高程擬合之前需對高程異常點進行剔除，選擇出合適的高程點進行訓練模型，保證模型精度，圖3中列舉了基于這5種模型進行高程異常點剔除的結果。由圖中可以看出，基于5種模型可對無人機實測高程數(shù)據(jù)的異常點進行篩選并剔除，3種ELM模型對于高程點的篩選結果基本一致，共篩選出了21個高程異常點，而GRNN模型篩選精度較低，僅篩選出了14個高程異常點，BP神經(jīng)網(wǎng)絡模型精度最低，僅篩選出10個異常點，這與BP神經(jīng)網(wǎng)絡模型易產(chǎn)生極值的特點一致。通過ELM模型的篩選結果，可以此結果為基礎，對高程進行擬合，保證擬合精度。2.2 不同方法高程擬合結果對比

【參考文獻】：
期刊論文
[1]GPS高程擬合法比較以及精度分析[J]. 鄭荃心.  北京測繪. 2019(08)
[2]一種改進的RBF神經(jīng)網(wǎng)絡GPS高程擬合方法[J]. 潘偉鋒.  北京測繪. 2019(07)
[3]幾種建筑物立面測量方法對比分析[J]. 黎其添.  北京測繪. 2019(07)
[4]無人機傾斜攝影在建筑物立體測量中的應用[J]. 付主俊.  北京測繪. 2019(07)
[5]基于不同ELM的西北旱區(qū)參考作物蒸散量模擬模型[J]. 徐穎,張皓杰,崔寧博,馮禹,胡笑濤,龔道枝.  中國農(nóng)村水利水電. 2019(01)
[6]帶有部分不確定性的平差算法在GPS高程擬合中的應用[J]. 左廷英,丁俊豪,宋迎春,肖兆兵.  測繪工程. 2018(06)
[7]基于重力場模型的GPS高程擬合精度分析[J]. 王建成,許宏燕,袁樹才,古共平.  人民珠江. 2017(12)
[8]機器學習算法和Hargreaves模型在四川盆地ET0計算中的比較[J]. 馮禹,崔寧博,龔道枝.  中國農(nóng)業(yè)氣象. 2016(04)
[9]基于廣義回歸神經(jīng)網(wǎng)絡的GPS高程轉換[J]. 王新志,祝明坤,曹爽.  大地測量與地球動力學. 2011(06)



本文編號：3311677