2011届学生毕业设计说明书（论文）正文（测绘工程）郝敏(7)

淮海工学院二〇一一届本科毕业设计（论文） 第 31 页 共 41 页

经过Matlab编程得出结果

实验结果外符合精度为0.0462 3 BP神经网络法

BP神经网络法属有导师训练类。它是多层映射网络，采用最小均方差的学习方式，是目前工程上使用最广泛的网络。

淮海工学院二〇一一届本科毕业设计（论文） 第 32 页 共 41 页

程序如下： clear clc tic

load group1.txt group1 x=group1(:,2:3); xx=x;

target0 =group1(:,4); %数据归一化 minx = min(x); maxx = max(x);

targetmn = [max(target0),min(target0)]; [n, m] = size(x); x0 = repmat(minx,n,1);

x1 = repmat(maxx,n,1); %fuzhi juzhen x = x - x0; dx = x1 - x0; x = x./dx; x = x*0.8+0.1; xp =x(1:26,1:2) xt =x(27:end,1:2);

t=(target0(1:26,1)-min(target0))/(max(target0)-min(target0))*0.8+0.1 p0=xt(:,1:2); t0=group1(27:end,4); tt=group1(1:26,4); p= xp'; p0 =p0'; t =t'; t0= t0';

% 神经网络训练连接权 s1 =12; s2 =1;

%net = newff(minmax(p),[s1,s2],{'tansig','purelin'},'traingdx'); net = newff(minmax(p),[s1,s2],{'logsig','purelin'},'trainlm');

淮海工学院二〇一一届本科毕业设计（论文） 第 33 页 共 41 页

net.trainParam.epochs=100; net.trainParam.show=5; net.trainParam.goal=1e-4; net.trainParam.lr=0.1; net.trainParam.lr_inc=1.26; net.trainParam.lr_dec=0.05;

net.IW{1,1}=[5.895050403328252,-7.414683533152447,4.734057716550163,-8.197828715974948,-2.04032257319458,-0.962527989224434,2.64322542080955,-1.575463550551639,1.670657833536203,-2.775201194739378,-0.151813124174271,2.410704714378855;2.90020876825478,-1.066705705723336,-2.408675712605587,-1.360002766847693,1.52121104363236,-0.065219076431366,1.186098521533564,-0.083614381659459,-0.105733308366934,0.292161145572697,2.118349466274663,0.114384863209273;]';

net.b{1,1}=[-2.786445045067222;2.190312242219217;-0.141841564829396;-1.22467405273539;2.059706719508967;-2.741747073583218;0.867827053899379;2.988501548424409;0.808023804665321;-0.569026814968193;1.682606538611846;2.571969317554514;];

net=train(net,p,t); ap=sim(net,p); ap1=sim(net,p0);

%%%%%%%%%%%%%%%%%%%%%% %ap= t-ap; ap = ap';

ap= (ap-0.1)*1.25;

ap= ap*(targetmn(1)-targetmn(2))+targetmn(2) v = tt-ap

sigma0 =sqrt(v'*v/26)

% 反归一化得到最终计算结果 z0 = ap1'; z0 =(z0-0.1)*1.25

z0= z0*(targetmn(1)-targetmn(2))+targetmn(2)

淮海工学院二〇一一届本科毕业设计（论文） 第 34 页 共 41 页

% dv= z0; dv = t0'-z0; sort(dv)

sigma1= sqrt((dv'*dv)/48)

save kf3 net sigma1= sqrt((dv'*dv)/48) save kf3 net

三种方法比较 表 5-4

高程拟合方法

二次多项式

与真值的最大差值

5.2972

与真值的最小差值

-6.4773

差值的平均值 0.2110

标准差 2.817

第二组外符第三组外符合精度（cm） 合精度（cm）

0.02825

0.0274

多面函数 0.362094 -5.5086 -2.06524 2.4757 0.0322 0.0401

BP神经网络 3.489 0.236 1.2713 1.57147 0.0246 0.0251

通过三中高程拟合方法的比较得出

1、多项式曲面拟合最为普遍与基础，这种方法就是用多项式函数拟合所测测区的似大地水准面，与多项式曲线拟合不同的是它考虑两个方向的高程异常值。所以它的项数是比较多的，因此通常用二次多项式。利用最优回归理论否定了普遍认为二次多项式曲面采用的固定模型，得出了适合于面状区域的最优模型。即：

z?a0?a1x?a2y?a3x2?a4y2（5-2）

2、在得出的最优模型与其它高程拟合方法的比较得出，神经网络的外符合精度结果较好其次是二次多项式的最优模型，最后的是多面函数法。

3.在使用多面函数法时，在Matlab编程时遇到的光滑系数的问题，没有固定的大小需要通过不同的数据来进行运算，才能得出精度较高的高程拟合的结果。

淮海工学院二〇一一届本科毕业设计（论文） 第 35 页 共 41 页

4.。由于其数据的多变性和测区概况的不一致性，如果使用其它数据结果不一定一样。但对于本文的面状区域，较为平坦的测区则结果正确。

5.2 实验二

5.2.1 计算方案 多项式法

实验一与实验二类似，但是测区是带状区域，那么来算一下的这个模型在多项式中究竟是那一种为最优。该带状区域录入这个实验所选择的19个点，其组成的为带状区域，将这19个数据分成两组，这两组都能够代表这一带状区域，数据的区域分布见图2。

图2 数据的区域分布

计算过程与实验一类似，matlab读出模型中的自变量如表5-5

带状模型中的自变量 表

5-5

模型中的自变量 x,y x,y,xx x,y,xy x,y,yy x,y,xx,xy x,y,xx,yy x,y,xy,yy x,y,xx,xy,yy

9.400602,-0.000035,-0.00007

9.560591,0.000105，-0.00011，-0.000000042 11.25529，-0.0005，-0.00034,0.0000000634 9.380294，-0.000023，-0.000092,0.00000000345

10.17458,-0.000076，-0.00019，-0.000000035，-0.0000000219 9.591324,0.000102,-0.000087 ,-0.000000044,-0.0000000034 12.18012,-0.0007,-0.00059,0.0000000981,0.0000000149 12.17936，-0.0007，-0.00059，-1.4E-11，1.49E-08，9.81E-08