深圳市中正测绘科技有限公司 广东深圳 518034
摘要：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BP神经网络中不同网络参数的设置对转换结果的影响，所得到的结论对工程技术人员有一定的参考价值。
关键词：BP神经网络；MATLAB；GPS高程转换
1 引言
在工程应用上，必须将GPS测得的基于WGS-84椭球面的大地高转换为我国所采用的基于似大地水准面的正常高。由于重力数据的缺乏，目前对GPS高程转换的常用方法是采用数学模型拟合法，这些数学模型拟合法对似大地水准面作了某种人为的假设，可能会产生一定的模型误差，这种模型误差势必会影响到拟合的精度。近几年兴起的BP（Back Propagation）神经网络法是一种自适应的映射方法，它没有对似大地水准面作人为的假设，从理论上来说可以减少模型误差对拟合结果的影响。
经研究表明，采用BP神经网络法进行GPS高程拟合能得到较高的拟合精度，能滿足工程上的GPS高程转换的需要。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。
MATLAB（MatrixLaboratory）软件被广泛地应用于科学计算、控制系统、信息处理等领域的分析、仿真和设计工作。利用MATLAB所提供的网络工具箱，不用编程即可实现BP神经网络的设置、训练和仿真，极大地方便了工程技术人员。
2基于MATLAB的BP神经网络法GPS高程转换的计算步骤
计算步骤如下：1）输入学习样本集；2）输入工作样本集；3）打开神经网络工具箱，建立新的神经网络并设置其参数；4）导入数据；5）神经网络学习，计算各神经元之间的连接权值；6）神经网络工作，计算出各未知点的高程异常值；7）数据导出；8）学习误差和工作误差的计算。
3不同网络参数的设置对转换结果的影响的研究
1）研究区域简介
某研究区域共有17个控制点，点与点之间的最远距离约为4.3km，研究区域所占面积约为7.5km2，全部为GPS水准高程联测点。选择均匀分布在整个测区的7个点作为学习样本，其余的10个点作为工作样本。
2）训练函数的不同对学习精度和工作精度的影响的研究
在隐含层的激活函数设置为tansig、隐含层的神经元个数设置为10个的前提下改变训练函数，研究不同的训练函数的学习精度和工作精度，计算结果如表1所示。
表1 不同的训练函数的学习精度和工作精度比较表
从表1可知，在隐含层的激活函数和隐含层的神经元个数相同的情况下，从学习次数、学习中误差、学习最大残差、工作中误差、工作最大残差五个方面来看，不同训练函数所得到的结果是不同的，其中traingdx 和trainbr两种训练函数所得到的结果的精度较高。
3）隐含层的激活函数的不同对学习精度和工作精度的影响
在训练函数设置为traingdx、隐含层的神经元个数设置为10个的前提下，研究不同的隐含层激活函数的学习精度和工作精度，计算结果如表2所示。
表2不同的激活函数的学习精度和工作精度比较表
从表2可知，在训练函数和隐含层的神经元个数相同的情况下，不同的激活函数的学习精度和工作精度是不同的，当激活函数为tansig时所得到的结果的精度较高。
4）不同的隐含层的神经元个数对学习精度和工作精度的影响
在训练函数设置为traingdx、隐含层的激活函数设置为tansig的前提下，研究不同的隐含层的神经元个数的学习精度和工作精度，计算结果如表3所示。
表3 不同的神经元个数的学习精度和工作精度比较表
从表3可知，在训练函数和隐含层的激活函数相同的情况下，不同的隐含层神经元个数的学习精度和工作精度是不同的，当隐含层神经元个数为10个左右时所得到的结果的精度较高。
4结语
利用MATLAB软件提供的网络工具箱可快速完成BP神经网络法GPS高程转换的计算，极大地方便了广大工程技术人员。在进行计算的过程中，要充分考虑不同的网络参数的设置对计算结果的影响。根据本文的计算结果，建议网络层数设置为2层，隐含层的激活函数设置为“tansig”，隐含层的神经元个数设置为10个左右，训练函数设置为“traingdx”。
参考文献：
[1]曾政祥，吴良才，周玲，危志明.基于MATLAB的遗传神经网络在GPS高程转换中的应用[J].矿山测量，2006（03）：37-39.
[2]邓才林，周芳翊，丁健.BP神经网络在县域GPS高程拟合中的应用[J].工程勘察，2018，46（08）：51-56.
[3]钱建国，刘淑亮.BP神经网络在GPS高程拟合中的应用探讨[J].测绘与空间地理信息，2017，40（01）：18-20.
[4]魏宗海.几种改进的BP神经网络在GPS高程拟合中的应用比较[J].全球定位系统，2016，41（05）：99-103.