盧獻(xiàn)健，晏紅波，梁月吉，任 超

(1.桂林理工大學(xué)測(cè)繪地理信息學(xué)院，廣西桂林541004;2.廣西空間信息與測(cè)繪重點(diǎn)實(shí)驗(yàn)室，廣西桂林541004)

一、引 言

GPS高程擬合精度在實(shí)際工程應(yīng)用中尤為重要，擬合模型有多種形式，常用的高程異常擬合方法有多項(xiàng)式曲面擬合、多面函數(shù)法擬合、神經(jīng)網(wǎng)絡(luò)擬合、最小二乘法擬合、主成分估計(jì)法擬合等。在GPS高程擬合中，不同的模型對(duì)高程的預(yù)測(cè)精度都不一樣，且不同模型對(duì)同一高程點(diǎn)的預(yù)測(cè)結(jié)果也不一樣，每一種模型都存在自身的優(yōu)缺點(diǎn)，使得預(yù)測(cè)結(jié)果達(dá)不到全局最優(yōu)。本文主要對(duì)將最優(yōu)非負(fù)變權(quán)模型引入到GPS高程擬合中的可行性進(jìn)行研究，并與最優(yōu)加權(quán)組合模型、BP神經(jīng)網(wǎng)絡(luò)組合模型進(jìn)行比較。算例結(jié)果表明，最優(yōu)非負(fù)變權(quán)模型以動(dòng)態(tài)的權(quán)值不斷更新擬合模型，預(yù)測(cè)結(jié)果和預(yù)測(cè)精度都優(yōu)于單一模型、最優(yōu)加權(quán)組合模型和BP神經(jīng)網(wǎng)絡(luò)模型，在GPS高程擬合中具有一定的意義。

二、組合模型的建立

1.最優(yōu)加權(quán)組合模型

最優(yōu)加權(quán)組合模型的建立如下［1-2］:

設(shè)構(gòu)建3個(gè)單模型yj(j=1，2，3)，組成高程擬合模型Y3=ψ(y1，y2，y3)。設(shè)組合模型中各模型的權(quán)重向量，并取此時(shí)，組合模型的形式為

若某個(gè)單模型的擬合殘差為

則各模型可構(gòu)成擬合殘差矩陣

通過(guò)對(duì)誤差平方和在最小二乘原理下求解數(shù)學(xué)規(guī)劃得到組合模型的最優(yōu)權(quán)重。其目標(biāo)函數(shù)和約束條件為

令R=1 1…[]1T，得

對(duì)式(5)用Laplace乘子法求解，得

則最優(yōu)權(quán)重向量為

目標(biāo)函數(shù)的最小值為

2.BP神經(jīng)網(wǎng)絡(luò)組合模型

神經(jīng)網(wǎng)絡(luò)方法是基于模仿人類大腦的結(jié)構(gòu)和功能的一種新型信息處理算法。BP神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)算法中的一種，由Rumelhart等于1986年創(chuàng)立，它是基于多層前向神經(jīng)采用誤差反方向傳播的學(xué)習(xí)算法進(jìn)行權(quán)值調(diào)整，以得到擬合精度較高的神經(jīng)網(wǎng)絡(luò)［3-5］。

BP網(wǎng)絡(luò)的設(shè)計(jì)一般分為輸入轉(zhuǎn)換層、輸入層、隱含層、輸出層、輸出轉(zhuǎn)換層，以及各層節(jié)點(diǎn)、傳輸函數(shù)、訓(xùn)練函數(shù)等。對(duì)于本次多因子的高程異常值網(wǎng)絡(luò)計(jì)算步驟如下:

(1)學(xué)習(xí)和測(cè)試樣本的確定

考慮到水位、溫度等大壩影響因子，建立大壩變形與影響因子之間的相關(guān)性，將變形影響因子納入到BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，選取前15期數(shù)據(jù)作為學(xué)習(xí)訓(xùn)練樣本，目標(biāo)輸出樣本為大壩實(shí)際變形值，將最后15期的數(shù)據(jù)作為測(cè)試樣本。

(2)學(xué)習(xí)樣本的歸一化

由于大壩變形數(shù)據(jù)樣本(溫度、水壓和估計(jì)值)的單位和量綱都不相同，并且為消除輸入變量的絕對(duì)值相差過(guò)大，避免神經(jīng)元“過(guò)擬合”現(xiàn)象，經(jīng)過(guò)歸一化的數(shù)據(jù)對(duì)模型邊緣點(diǎn)有更強(qiáng)的泛化能力［5］，因此在進(jìn)行網(wǎng)絡(luò)訓(xùn)練前，必須對(duì)樣本進(jìn)行歸一化處理，公式如下［6］:

式中，y 為原始的樣輸入數(shù)據(jù);xmin、xmax、ymin、ymax是樣本中各輸入對(duì)應(yīng)的最大值和最小值;y為歸一化后的樣本。

3.最優(yōu)非負(fù)變權(quán)組合預(yù)測(cè)模型的建立

最優(yōu)非負(fù)變權(quán)組合模型的建立如下［6-8］:

設(shè)某高程異常值為Yt，用以上3種單項(xiàng)預(yù)測(cè)模型對(duì)其進(jìn)行建模擬合，其擬合值為Yit，表示第i種單一模型對(duì)第t高程異常點(diǎn)的擬合值，其中i=1，2，3，t=1，2，…，n。令

設(shè)eit、et分別為第i種單一模型和組合模型在

第t個(gè)高程異常點(diǎn)的擬合誤差，則

得出

則由以上公式可確定最優(yōu)非負(fù)變權(quán)系數(shù)的規(guī)劃模式

本文主要以預(yù)測(cè)誤差平方和最小為目標(biāo)，通過(guò)規(guī)劃方法求解各高程擬合值的權(quán)系數(shù)。

三、精度評(píng)定

為綜合評(píng)定模型的精度，本文采用均方誤差、平均絕對(duì)值誤差、平均絕對(duì)百分比誤差進(jìn)行最優(yōu)非負(fù)變權(quán)組合模型在高程異常值預(yù)測(cè)中的評(píng)定［9］。

1)均方誤差(MSE)為

2)平均絕對(duì)誤差(MAE)為

3)平均絕對(duì)百分比誤差(MAPE)為

四、算例分析

本文以文獻(xiàn)［10］中最小二乘擬合估計(jì)、主成分估計(jì)、半?yún)?shù)估計(jì)3種單一模型的預(yù)測(cè)結(jié)果為試驗(yàn)數(shù)據(jù)，見(jiàn)表1(3種單一模型本文不作詳細(xì)介紹)，采用最優(yōu)加權(quán)組合模型、BP神經(jīng)網(wǎng)絡(luò)組合模型、最優(yōu)非負(fù)變權(quán)組合模型進(jìn)行異常值預(yù)測(cè)。經(jīng)Matlab編程計(jì)算，得出各組合模型運(yùn)算的結(jié)果見(jiàn)表2，各模型的精度對(duì)比分析結(jié)果見(jiàn)表3。

表1 單一模型的預(yù)測(cè)值結(jié)果與實(shí)際值對(duì)比 mm

表2 各組合模型的預(yù)測(cè)值結(jié)果與實(shí)際值對(duì)比 mm

表3 各模型精度對(duì)比 mm

由表1和表2可知，最優(yōu)非負(fù)變權(quán)組合模型比最小二乘擬合估計(jì)、主成分估計(jì)、半?yún)?shù)估計(jì)的預(yù)測(cè)值接近于實(shí)際值，預(yù)測(cè)效果最好。從表2看出，3種組合模型中，最優(yōu)加權(quán)組合模型和BP神經(jīng)網(wǎng)絡(luò)組合模型在一定程度上綜合了單一模型的預(yù)測(cè)精度，顯然在某些高程異常值的預(yù)測(cè)精度低于單一模型，而最優(yōu)非負(fù)變權(quán)組合模型預(yù)測(cè)精度更高。通過(guò)表3綜合精度對(duì)比分析，最優(yōu)非負(fù)變權(quán)組合模型的三誤差達(dá)到最小。

各組合模型預(yù)測(cè)值和實(shí)際大壩變形值的對(duì)比如圖1所示，各組合模型的殘差如圖2所示。

圖1 各模型預(yù)測(cè)值和實(shí)際高程異常值對(duì)比

圖2 各組合模型的殘差圖

由圖1可以看出，3個(gè)組合模型的預(yù)測(cè)值和實(shí)際值相差不是很大，最優(yōu)加權(quán)組合模型比BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)效果好，而最優(yōu)非負(fù)變權(quán)組合模型的預(yù)測(cè)效果最佳，和實(shí)際值都非常接近。由于最優(yōu)非負(fù)變權(quán)組合采用動(dòng)態(tài)變權(quán)的方式，克服了單一模型存在的局限性，綜合了各模型的優(yōu)點(diǎn)，故其預(yù)測(cè)精度基本達(dá)到全局最優(yōu)。從圖2分析，基于非負(fù)變權(quán)組合模型的殘差曲線圖呈一條直線分布，幾乎接近于零，這進(jìn)一步表明了最優(yōu)非負(fù)變權(quán)組合模型的優(yōu)越性。綜上可見(jiàn)，最優(yōu)非負(fù)變權(quán)組合模型無(wú)論在預(yù)測(cè)效果還是預(yù)測(cè)精度都優(yōu)于單一模型、最優(yōu)加權(quán)組合模型和BP神經(jīng)網(wǎng)絡(luò)組合模型，在GPS高程擬合中具有一定的意義。

五、結(jié) 論

本文將最優(yōu)非負(fù)變權(quán)組合模型引入到高程異常值中，通過(guò)與單一模型、最優(yōu)加權(quán)組合模型、BP神經(jīng)網(wǎng)絡(luò)組合模型對(duì)比，得出以下結(jié)論:最優(yōu)非負(fù)變權(quán)組合模型在GPS高程異常值擬合中的應(yīng)用是可行的，其預(yù)測(cè)精度與單一模型、最優(yōu)加權(quán)組合模型、BP神經(jīng)網(wǎng)絡(luò)組合模型的預(yù)測(cè)結(jié)果對(duì)比，更具優(yōu)越性;該模型充分結(jié)合了各單一模型的優(yōu)點(diǎn)，克服了單一模型在預(yù)測(cè)中出現(xiàn)不穩(wěn)定性問(wèn)題，并通過(guò)權(quán)重的改變來(lái)提高預(yù)測(cè)精度，故其模型的綜合精度遠(yuǎn)優(yōu)于單一模型，預(yù)測(cè)結(jié)果基本達(dá)到全局最優(yōu)。

［1］孫惠子，粟曉玲，昝大為.基于最優(yōu)加權(quán)組合模型的枯季徑流預(yù)測(cè)研究［J］.西北農(nóng)林科技大學(xué)學(xué)報(bào):自然科學(xué)版，2011，39(11):201-208.

［2］李秀珍，孔紀(jì)名，王成華.最優(yōu)加權(quán)組合模型在滑坡變形預(yù)測(cè)中的應(yīng)用［J］.自然災(zāi)害學(xué)報(bào)，2008，17(2):53-57.

［3］RUMELHART D E，HINTON G E，WILLIAMS R J.Learning Representations by Back-propagating Errors［J］.Nature，1986，323(9):533-537.

［4］孫傳勝，楊國(guó)東，吳瓊.神經(jīng)網(wǎng)絡(luò)在GPS高程擬合中的應(yīng)用［J］.測(cè)繪通報(bào)，2011(8):48-50.

［5］韓碩.神經(jīng)網(wǎng)絡(luò)在GPS高程擬合中的應(yīng)用［J］.測(cè)繪通報(bào)，2006(4):48-50.

［6］張昊，王琪潔，朱建軍，等.樣本數(shù)據(jù)預(yù)處理對(duì)基于BP神經(jīng)網(wǎng)絡(luò)的GPS高程擬合的影響［J］.大地測(cè)量與地球動(dòng)力學(xué)，2011，31(2):125-128.

［7］肖潔，羅軍剛，解建倉(cāng)，等.變權(quán)組合預(yù)測(cè)模型在洪水預(yù)報(bào)中的應(yīng)用［J］.西北農(nóng)林科技大學(xué)學(xué)報(bào):自然科學(xué)版，2013，41(2):215-221.

［8］王永剛，鄭紅運(yùn).基于最優(yōu)變權(quán)組合模型的航空運(yùn)輸事故征候預(yù)測(cè)［J］.中國(guó)安全科學(xué)學(xué)報(bào)，2013，23(4):26-31.

［9］吳清海，李惠芳.變權(quán)組合模型在沉降預(yù)測(cè)中的應(yīng)用［J］.測(cè)繪科學(xué)技術(shù)學(xué)報(bào)，2009，26(2):118-120.

［10］何美琳，文鴻雁，潘元進(jìn)，等.GPS高程擬合的方法比較［J］.測(cè)繪科學(xué)，2013，38(3):63-65.

［11］孔祥元，郭際明，劉宗泉.大地測(cè)量學(xué)基礎(chǔ)［M］.武漢:武漢大學(xué)出版社，2002.

［12］陶本藻.GPS水準(zhǔn)似大地水準(zhǔn)面擬合和正常高計(jì)算［J］.測(cè)繪通報(bào)，1992(4):15-19.