确定区域大地水准面的K-means-RBF神经网络方法

摘要：

确定区域大地水准面的几何水准方法在拟合大地水面时未顾及重力场信息,仅是一种单纯的数学拟合,忽略了重力场数据自身的物理性和不同数据间的相关性.近年来,深度学习方法得到广泛重视与研究.本文提出了一种有监督学习的RBF神经网络精化大地水准面的方法,使用包含重力异常和大地水准面高的重力场数据进行神经网络训练,并采用K-means聚类算法为RBF神经网络的径向基函数进行初始化,提高神经网络的收敛速度和精度.实验结果表明,该方法确定的平原、丘陵和山地复杂实验区域大地水准面高标准差分别为0.044、0.159和1.075 cm,优于使用几何水准直接拟合大地水准面高的精度,且在重力异常中加入蒙特卡罗随机噪声模拟的观测误差后,3类实验区域标准差总体仍在cm级,误差增幅不显著,表明该方法在确定大地水准面时,能够抑制观测误差的影响.

关键词：大地水准面、重力异常、深度学习、K-means聚类、RBF神经网络

所属期刊栏目：38

分类号：P223(大地测量学)

资助基金：国家自然科学基金;信息工程大学科研团队发展基金;信息工程大学科研团队发展基金

在线出版日期：2021-07-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：246-252