1、该文档不包含其他附件(如表格、图纸)，本站只保证下载后内容跟在线阅读一样，不确保内容完整性，请务必认真阅读。
2、有的文档阅读时显示本站（www.woc88.com）水印的，下载后是没有本站水印的（仅在线阅读显示），请放心下载。
3、除PDF格式下载后需转换成word才能编辑，其他下载后均可以随意编辑、修改、打印。
4、有的标题标有”最新”、多篇，实质内容并不相符，下载内容以在线阅读为准，请认真阅读全文再下载。
5、该文档为会员上传，下载所得收益全部归上传者所有，若您对文档版权有异议，可联系客服认领，既往收入全部归您。
建含层运算结束，得到输出结果。
输出结果与期望输出结果的误差作为训练信号，对权值矩阵进行逐层调整，使输出结果的误差变小。
通过多个样本的学习，神经网络可以得到合适的权值矩阵，输入向量经过传播运算即可得到达到期望精度要求的输出向量。
这既是神经网络的学习融合重力信息似大地水准面精化模型研究测绘学论文合重力信息的多项式模型由于过去重力信息匮乏且精度不高，常规模型未将重力异常数据作为参数加入似大地水准面拟合模型中。
重力异常数据是影响似大地水准面的因素之，将其引入似大地水准面精化模型中，有利于提高模型的精度。
图神经网络模型结构由图可知，神经网络进行内插处理。
以常规次多项式模型为基础，加入重力异常数据参数后得到种融合重力信息的多项式模型，式中为重力异常数据，分别为重力异常数据的次项和次项系数。
因为的变化与地理位置紧密相关，所以这种建模，卫星跟踪数据卫星测高数据和地面重力数据等多源数据建立地球重力场模型，。
的均方根误差为，的外部检核表明，在全球范围内的误差为用本试验的全部数据建立模型，得到全部点位的拟合结果，计算，剔除点位误差超过倍的点。
经粗差剔除，去掉号和号点，得到个试验点，均匀选取其中个作为基准点，用来建立不同的模型，其余个点作为检验点，用来比较不同模型的拟合效果。
模型建立与检验模型模型采据包含经度纬度，重力异常数据由地球重力场数据内插计算获得，如图所示。
图工程实例点位分布图工程中共有个点位。
试验地区经度跨度为，纬度跨度为，工程面积接近，其成果可供市级似大地水准面精化参考。
为保护数据源，已对原始数据进行出融合重力信息的多项式模型和融合重力信息的误差反向传播，神经网络模型种似大地水准面精化模型。
通过试验验证，种模型的检验点拟合中误差分别为和，重力信息可提高似大地水准面例点位分布图工程中共有个点位。
试验地区经度跨度为，纬度跨度为，工程面积接近，其成果可供市级似大地水准面精化参考。
为保护数据源，已对原始数据进行加密处理，但不影响分析结果。
为确保试验有效性，首先筛选原始数据。
试验中利用中误差判过倍的点。
经粗差剔除，去掉号和号点，得到个试验点，均匀选取其中个作为基准点，用来建立不同的模型，其余个点作为检验点，用来比较不同模型的拟合效果。
模型建立与检验模型模型采用软件建模，得到基准点与检验点残差如表所示。
表模型基准点残差表模融合重力信息似大地水准面精化模型研究测绘学论文密处理，但不影响分析结果。
为确保试验有效性，首先筛选原始数据。
试验中利用中误差判断数据质量，各点位均为已知，故得到中误差−−−−−，式中为真误差，即模型估计值与实测之差为参与建模的点位个在工程实践中得到越来越广泛的应用。
测量获得的高程为大地高，起算面为椭球面。
椭球面与似大地水准面不重合，大地高和正常高之间存在高程异常，计算公式为。
工程实例分析试验数据的来源与处理试验数据来源于地区，原始在全球具有很高的精度。
在融合重力信息的次多项式模型进行似大地水准面精化过程中，需要获取每个试验点位的重力异常数据，而提供网格点上的重力异常数据，所以需对数据进行内插处理。
以常规次多项式模型为基础，加入重力异常数据参数后得到种融合重力信息的型的拟合效果，神经网络模型的拟合精度最高，与次多项式模型相比提高了。
关键词神经网络重力场模型阶多项式拟合法似大地水准面精化高程异常全球导航卫星系统，测量精度高效率高数据质量，各点位均为已知，故得到中误差−−−−−，式中为真误差，即模型估计值与实测之差为参与建模的点位个数。
融合重力信息似大地水准面精化模型研究测绘学论文。
摘要以次多项式模型为基础，检验点残差由表可知在次多项式模型基准点中，号点的残差的绝对值最小，残差为号点的残差的绝对值最大，残差为，。
工程实例分析试验数据的来源与处理试验数据来源于地区，原始数据包含经度纬度，重力异常数据由地球重力场数据内插计算获得，如图所示。
图工程项式模型，式中为重力异常数据，分别为重力异常数据的次项和次项系数。
融合重力信息似大地水准面精化模型研究测绘学论文。
用本试验的全部数据建立模型，得到全部点位的拟合结果，计算，剔除点位误差融合重力信息似大地水准面精化模型研究测绘学论文据等多源数据建立地球重力场模型，。
的均方根误差为，的外部检核表明，在全球范围内的误差为，在美国的误差为，在澳洲的误差为。
因此可以确定方式受个别的影响较小，具备拟合多种地形条件的能力。
本文中次多项式模型作为对比参照的基准，记作模型。
融合重力信息的多项式模型由于过去重力信息匮乏且精度不高，常规模型未将重力异常数据作为参数加入似大地水准面拟合模型中。
重力异常数据是影响似大地水准面的因程，也是建模过程。
用试验数据检验神经网络的学习成果，即可判定学习效果，。
图融合重力信息的神经网络模型结构图融合模型基于神经网络的参数融合模型如图所示。
图融合模型的输出层参数除了代表次多项式参数的和外，加入了代表重力异常数据的次项和次要由输入层隐含层和输出层部分构成。
输入向量和输出向量对应常规模型中的自变量和因变量。
神经网络需要训练建模，训练过程分为正向传播过程和误差反向传播过程。
正向传播过程中，输入向量经过与权值矩阵的运算，进入多层隐含层，隐含层之间均由权值矩阵连接，直至所有式及参数的选取十分合理，是我国推荐采用的似大地水准面拟合手段。
其建模参数较少，具备多余观测，可利用平差检验粗差点，即具备较好的抵抗粗差的能力。
这种建模方式受个别的影响较小，具备拟合多种地形条件的能力。
本文中次多项式模型作为对比参照的基准，记作模型。
，在美国的误差为，在澳洲的误差为。
因此可以确定在全球具有很高的精度。
在融合重力信息的次多项式模型进行似大地水准面精化过程中，需要获取每个试验点位的重力异常数据，而提供网格点上的重力异常数据，所以需对数采用软件建模，得到基准点与检验点残差如表所示。
表模型基准点残差表模型检验点残差由表可知在次多项式模型基准点中，号点的残差的绝对值最小，残差为号点的残差的绝对值最大，残差为，。
利用重力恢复与气候试验
融合重力信息似大地水准面精化模型研究（测绘学论文）
