模糊神经网络在GPS高程转换中的应用

介绍了模糊神经网络基本原理和GPS高程转换方法,采用模糊神经网络算法,实现了GPS高程转换.在用模糊神经网络进行GPS高程转换时,输入变量模糊分割数对计算结果的精度起着关键作用,模糊分割数过少,计算精度较低,过多,模糊规则数会急剧增加,计算精度不一定高,同时又会影响系统计算速度.为了进一步提高GPS高程转换的精度,模糊神经网络模型参数的选择以及网络结构的确定等问题,都需要进一步的研究和实践.     

神经网络在GPS高程拟合中的应用

讨论利用遗传算法(GA)、粒子群算法(PSO)来优化BP神经网络权值和阈值的原理;结合平坦地区的工程实例,研究二次曲面、BP、GA-BP与PSO-BP 4种拟合模型在GPS高程拟合中的应用.拟合结果表明:PSO算法优化BP神经网络精度效果优于GA算法优化BP神经网络精度,拟合误差更小.     

基于Matlab的BP神经网络法GPS高程转换研究

GPS高程转换的方法有很多,BP神经网络法是近几年兴起的一种新的方法。在采用BP神经网络法进行GPS高程转换的过程中,一般来说需要编写专门的应用程序来完成相应的计算,这对无编程经验的工程技术人员来说存在着一定的困难。而利用Matlab提供的网络工具箱不用编程即可计算出高程异常,极大地方便了广大工程技术人员。论文介绍了基于Matlab的BP神经网络法GPS高程转换的计算步骤,结合一工程实例讨论了不同网络参数的设置对转换结果的影响。     

基于改进BP学习算法的GPS高程转换

针对标准BP算法在GPS转换中的不足,给出改进的BP学习算法,通过对工程实例分析比较得出改进的BP算法在转换GPS高程中可以大大减少BP神经网络的训练时间,提高高程转换的效率.     

水利水电工程区域GPS高程转换模型研究

将相对于参考椭球面的GPS大地高改算为工程应用的相对于似大地水准面的正常高,必须进行GPS高程转换.本文介绍了几种传统的转换方法,重点讨论了GPS高程转换的神经网络方法.两个实例表明,神经网络模型的内部符合精度和外部符合精度略高于二次多项式曲面拟合.特别是在参与建模的控制点数目较多时,神经网络模型更加优于二次多项式曲面...     

系统转换方法在推求高程异常中的应用

介绍了ＧＰＳ水准的原理、公式及实现的途径,重点讨论了利用高精度的ＧＰＳ水准点,结合精密水准测量资料,推求任意一个计算点高程异常的原理和实现方法,建立了以系统转换方法为依据的数学模型,有效地解决了两种系统缺少重合点这一问题,并结合实测资料验证了该模型的可行性和提高原有高程异常精度的有效性。     

系统转换方法在推求高程异常中的应用

介绍了GPS水准的原理、公式及实现的途径 ,重点讨论了利用高精度的GPS水准点 ,结合精密水准测量资料 ,推求任意一个计算点高程异常的原理和实现方法 ,建立了以系统转换方法为依据的数学模型 ,有效地解决了两种系统缺少重合点这一问题 ,并结合实测资料验证了该模型的可行性和提高原有高程异常精度的有效性     

基于移动曲面模型的GPS高程拟合法的研究

介绍了GPS高程拟合的意义和原理,建立了基于移动曲面模型高程拟合的数学模型,进行了程序编制和精度分析.结合区域GPS/水准实测数据进行计算分析,拟合结果达到低等级水准测量的精度要求,可用于大地高向正常高的转换.     

基于LS-SVM和BP神经网络组合模型的GPS高程拟合

提出了最小二乘支持向量机（LS-SVM）与BP神经网络的最优加权组合模型。通过实测数据对比分析了LS-SVM、BP神经网络、基于总体最小二乘算法（TLS）的二次多项式曲面拟合和最优加权组合模型的精度,结果表明最优加权组合模型的精度优于其他模型。     

GPS高程测量的制约因素及对策

通过对GPS高程测量制约因素的探讨,分析了GPS高程测量制约因素的成因及其减弱或消除办法,并对GPS高程测量的发展方向提出了一些看法.     

基于遗传神经网络的手写体数字识别算法的探讨

针对神经网络BP算法在学习过程中的一些缺点,提出一种基于遗传算法与神经网络的手写数字识别新算法,将遗传算法与BP算法有机结合起来.文中给出了算法模型,并将此算法应用于手写体数字的识别中,实验结果证明它比单一BP算法有更佳的结果.     

基于神经网络与遗传算法的结构优化设计方法

从神经网络和遗传算法的原理出发,利用遗传算法和神经网络相结合的策略对结构参数进行优化.在确定结构优化的目标函数和设计变量集合的基础上,用神经网络学习算法建立货架结构设计参数与结构重量、结构最大应力、最大位移等的非线性全局映射关系,获得遗传算法求解结构优化问题所需的目标函数,用遗传算法进行优胜劣汰的寻优搜索运算,从而求出所需最优解.以货架结构的优化为例说明了上述方法的应用.遗传算法和神经网络的优化结果是在正交设计法确定的训练样本足够大的基础上得出的,具有较强的可靠性.     

改进遗传神经网络在储层解释中的应用

对遗传算法中的编码机制进行了研究并与前馈神经网络ＢＰ算法相结合,从而提高了网络收敛速度,实例表明,改进后的算法是有效的。     

基于遗传算法的模糊神经网络控制

在研究遗传算法、模糊神经网络及两者之间融合技术的基础上，设计了基于遗传算法的模糊神经网络控制系统。并通过仿真模拟实例对其功能特性进行了分析。     

遗传神经网络优化预测方法研究及其应用

根据短期电力负荷预测的特点,将遗传算法和人工神经网络相结合,提出一种负荷预测新算法─—遗传神经网络优化预测方法。该方法明显地提高了模型的优化能力,有效地克服了人工神经网络学习速度慢、存在局部极小点的固有缺陷。经实例验证,该方法能有效地提高预测精度和速度。     

基于遗传算法的BP神经网络服装销售预测方法

针对服装企业产品销售的复杂性以及特殊性,提出一种有效的神经网络学习模型. 在对服装销售影响因子分析的基础上建立销售预测网络模型,利用遗传算法对后向传播神经网络的各连接权值进行优化计算. 方法综合了后向传播神经网格和遗传算法两者的优势,既具有神经网络强大的学习能力,又具有遗传算法的全局搜索能力.     

用遗传-神经网络方法进行图像分割的研究

目标图像因其背景复杂、照度不均而难以通过常规分割方法得到有效分割，本文使用一种遗传-神经网络算法来分割图像，即对神经元网络引入遗传算法进行训练，并且采用了自适应的遗传参数，提出了分两个级别加以训练．实验表明，该算法可以正确分割图像，能够大幅度提高分割效率，有效提高图像分割的鲁棒性和精度，对具有不同目标大小和信噪比的图像也能得到较好的分割效果．     

一种遗传算法的神经网络模型

提出了应用神经网络实现遗传算法的模型,将普通遗传算法中交叉操作和突变操作的概念进行推广,并提出了全交叉和多点突变的概念以及实现这两种操作的人工神经元模型。通过一组著名的测试函数将该算法与典型遗传算法就求解优化问题的性能作了比较研究。此研究对用硬件执行遗传算法,显式地实现遗传算法的内在并行性,从而提高遗传算法的实时性,拓宽遗传算法的应用领域具有重要的意义。     

基于遗传优化的神经网络盲均衡算法

传统前馈神经网络盲均衡中神经网络的初始权重的确定缺乏理论依据,收敛速度慢,容易陷人局部极小值.为有效克服这些缺陷,提出了遗传优化神经网络的盲均衡算法.算法用遗传算法对前馈神经网络的网络权重进行优化,为神经网络提供一个全局较优的局部搜索空间;再利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡.计算机仿真结果表明:与传统神经网络算法相比,新算法达到了更好的收敛特性和均衡效果,剩余稳态误差减少30%以上,收敛速度加快约20%,误码率也有明显降低.