基于机器学习的工程控制网坐标系建立方法及系统技术方案

本发明专利技术公开了一种基于机器学习的工程控制网坐标系建立方法，包括以下步骤：建立高精度边长投影变形计算模型；建立优化函数；初始化解空间，在解空间内初始化一组初始解；获取初始解中的所有点坐标并带入优化函数中的优化评价公式，计算各个点坐标的函数值；将各个点坐标的函数值进行对比，获取函数极小值对应的位置坐标，并将该位置坐标标记为初始迭代的最优解；迭代更新工程控制网的所有实时点坐标并计算获取目标最优解位置坐标，将目标最优解位置坐标作为全局最优解位置坐标；判断全局最优解位置坐标是否满足限差要求。本发明专利技术还公开了一种基于机器学习的工程控制网坐标系建立系统。本发明专利技术具有提高坐标系优化选取的准确性和计算效率。

【技术实现步骤摘要】
基于机器学习的工程控制网坐标系建立方法及系统
本专利技术涉及工程控制网
，具体而言，涉及一种基于机器学习的工程控制网坐标系建立方法及系统。
技术介绍
目前，我国工程控制网坐标系为高斯3°带的平面直角坐标系。因此，工程控制网的地面距离观测值必须在统一归算至CGCS2000坐标系的地球椭球上之后，再进一步按照高斯-克吕格投影法则，将其投影到相应的高斯平面上。在这一归算过程中，地面的实测边长先被归算为椭球面大地线的长度，再进一步被投影为高斯平面上对应点之间弦线的长度，共发生两次边长变形，且规范要求这个总变形量对于精密工程不能超过2.5cm/km，对于一般工程不能超过10cm/km。由投影变形分析可知，产生投影变形的因素主要有测区的平均海拔以及测区距离相应3度带中央子午线的距离。为了有效的控制实测边长的长度变形，就需要评估国家统一坐标系的适用程度和范围。当国家统一坐标系无法满足变形限差时，需要考虑建立工程控制网适用的优化坐标系。改进之前的技术局限性：优化坐标系的思路按照其产生投影变形的来源，可以分为具有抵偿投影面的坐标系，任意带坐标系以及具有抵偿投影面的任意带坐标系。通常，以高等数学中的解析函数极值分析思路，通过上述这三种优化办法总可以解决实测边长的投影变形问题，建立恰当的施工测量控制网平面直角坐标系。但是，所建立的坐标系优化模式具有极大的局限性，即只适用于当前工程施工的位置条件。对于不同区域、不同高程位置的工程，还需要重新根据新工程的地理位置条件，重新分析并选择合理的坐标系优化方法。另一方面，当测区具有多个不同高程的施工作业面，又需要建立空间整体统一的施工控制测量坐标系时，现有的高等数学函数极值法计算优化参数就会出现抵偿投影面参数不唯一的情况，从而限制了解析函数极大值的可解性，提高的工程分析的复杂程度。这类工程通常可见于地下工程，如深部矿山开采的同时还需要在矿山地表建立配套工程设施。以往的坐标系建立算法的适用性不高，此时，为了便于矿山测量的实时性，有必要要建立井上、井下统一的施工控制测量坐标系。
技术实现思路
为了克服上述问题或者至少部分地解决上述问题，本专利技术实施例提供一种基于机器学习的工程控制网坐标系建立方法及系统，提高坐标系优化选取的准确性和计算效率。本专利技术的实施例是这样实现的：第一方面，本专利技术实施例提供一种基于机器学习的工程控制网坐标系建立方法，一种基于机器学习的工程控制网坐标系建立方法，包括以下步骤：S1、基于机器学习算法建立高精度边长投影变形计算模型；S2、建立高精度边长投影变形计算模型的优化函数；S3、初始化解空间，在解空间内初始化一组初始解；S4、获取初始解中的所有点坐标，并将所有点坐标带入优化函数中自适应的优化评价公式，计算各个点坐标的函数值；S5、将各个点坐标的函数值进行对比，获取函数极小值对应的位置坐标，并将该位置坐标标记为初始迭代的最优解；S6、建立点在解空间内的位置更新算法模型，采用位置更新算法模型更新这组点在解空间的位置坐标，迭代更新工程控制网的所有实时点坐标并计算获取目标最优解位置坐标，将目标最优解位置坐标作为全局最优解位置坐标；S7、判断全局最优解位置坐标是否满足限差要求，如果是，则迭代停止，输出全局最优解位置坐标结果；如果否，则进入步骤S6，继续迭代更新。为了提高坐标系统优化选取的准确性和计算效率，针对性的解决现行坐标系优化过程中存在的技术难点，首先，建立高精度的边长投影变形计算模型，以往为了便于解析函数的极值求解，认为的对实测边长归算至椭球面的边长变形计算模型、椭球面大地线到高斯平面的边长投影变形计算模型做了一阶近似。以机器学习算法求解最优值，可以不考虑现有的高等数学极大值定理，采用精度更高的边长投影变形模型；以往利用高等数学中的函数极值原理解算实测变场投影变形极大值，需要对投影变形公式进行简化近似，而利用机器学习算法可以直接利用精密公式进行极大值求解，无疑减小了模型的系统误差。然后，建立优化函数，即机器评价投影变形的数学标准。所谓优化函数，即边长投影变形的总变形量绝对值最小。初始化解空间，解空间根据待定参数的个数，可以是多维的。在解空间内初始化一组初始解，即n维坐标系的点，这些点在n维解空间内的位置，就是一个优化坐标系统的潜在参数解。因此，这组点实际上就是n维解空间内的一组潜在参数解。将所有点坐标带入自适应的优化评价公式，计算其函数值，函数值的大、小直接反映了当前点坐标的优、劣程度。记录其中最优位置，为初始迭代的最优解。建立点在解空间内的位置更新算法模型，采用模型基于当前能够取得的最优解更新这组点在解空间的位置坐标。将所有新一轮的位置坐标带入优化评价公式，计算函数值，并与上一轮最优者进行比较，若本轮最优解优于上一轮，则检查相应解是否满足限差要求，满足则迭代停止，输出结果，不满足则继续更新优化。本方法通过算法为计算机定义最优合理解的标准，通过计算机自适应算法，在更广阔的解空间内寻找满足要求的最优坐标系参数配比；提高坐标系统优化选取的准确性和计算效率，针对性的解决现行坐标系优化过程中存在的无法对不同区域、不同高程位置的工程，重新根据新工程的地理位置条件，重新分析并选择合理的坐标系统；另一方面，可解决现有的当测区具有多个不同高程的施工作业面，又需要建立空间整体统一的施工控制测量坐标系时，就会出现抵偿投影面参数不唯一的情况，从而限制了解析函数极大值的可解性，提高的工程分析的复杂程度的技术难点。本专利技术具有提高工程平面控制网坐标系统关键参数优化选取的准确性和计算效率，能够精准选取适用范围更大的实测边长投影变形控制参数。基于第一方面，在本专利技术的一些实施例中，步骤S6包括以下步骤：建立点在解空间内的位置更新算法模型，采用位置更新算法模型更新这组点在解空间的位置坐标；获取更新后的工程控制网的所有实时点坐标，并将更新后的所有实时点坐标带入自适应的优化评价公式，计算各个实时点坐标的函数值；将各个实时点坐标的函数值进行对比，获取实时函数极小值对应的位置坐标，并将该位置坐标标记为实时最优解；将实时最优解与初始迭代的最优解进行对比，生成对比结果；根据对比结果，获取目标最优解位置坐标，将目标最优解位置坐标作为全局最优解位置坐标。基于第一方面，在本专利技术的一些实施例中，上述将实时最优解与初始迭代的最优解进行对比，生成对比结果的方法包括以下步骤：将实时最优解与初始迭代的最优解进行对比，判断实时最优解是否优于初始迭代的最优解，如果是，则将实时最优解标记为目标最优解，并生成第一对比结果；如果否，则将初始迭代的最优解标记为目标最优解，并生成第二对比结果。基于第一方面，在本专利技术的一些实施例中，上述高精度边长投影变形计算模型采用的计算公式为：ΔS＝ΔS1+ΔS2，其中，ΔS1为地面实测边长归算为地球椭球面大地线时发生的变形量，D为地面实测边长；Hm为地面实测边长的平均大地高，Rm为地球椭球的平均曲率半径；Δh为实测边长两个端点之间的平均大地高高差，ΔS2为椭球面大地线投影到高斯本文档来自技高网...

【技术保护点】
1.一种基于机器学习的工程控制网坐标系建立方法，其特征在于，包括以下步骤：/nS1、基于机器学习算法建立高精度边长投影变形计算模型；/nS2、建立高精度边长投影变形计算模型的优化函数；/nS3、初始化解空间，在解空间内初始化一组初始解；/nS4、获取初始解中的所有点坐标，并将所有点坐标带入优化函数中自适应的优化评价公式，计算各个点坐标的函数值；/nS5、将各个点坐标的函数值进行对比，获取函数极小值对应的位置坐标，并将该位置坐标标记为初始迭代的最优解；/nS6、建立点在解空间内的位置更新算法模型，采用位置更新算法模型更新这组点在解空间的位置坐标，迭代更新工程控制网的所有实时点坐标并计算获取目标最优解位置坐标，将目标最优解位置坐标作为全局最优解位置坐标；/nS7、判断全局最优解位置坐标是否满足限差要求，如果是，则迭代停止，输出全局最优解位置坐标结果；如果否，则进入步骤S6，继续迭代更新。/n

【技术特征摘要】
1.一种基于机器学习的工程控制网坐标系建立方法，其特征在于，包括以下步骤：
S1、基于机器学习算法建立高精度边长投影变形计算模型；
S2、建立高精度边长投影变形计算模型的优化函数；
S3、初始化解空间，在解空间内初始化一组初始解；
S4、获取初始解中的所有点坐标，并将所有点坐标带入优化函数中自适应的优化评价公式，计算各个点坐标的函数值；
S5、将各个点坐标的函数值进行对比，获取函数极小值对应的位置坐标，并将该位置坐标标记为初始迭代的最优解；
S6、建立点在解空间内的位置更新算法模型，采用位置更新算法模型更新这组点在解空间的位置坐标，迭代更新工程控制网的所有实时点坐标并计算获取目标最优解位置坐标，将目标最优解位置坐标作为全局最优解位置坐标；
S7、判断全局最优解位置坐标是否满足限差要求，如果是，则迭代停止，输出全局最优解位置坐标结果；如果否，则进入步骤S6，继续迭代更新。


2.根据权利要求1所述的一种基于机器学习的工程控制网坐标系建立方法，其特征在于，步骤S6包括以下步骤：
建立点在解空间内的位置更新算法模型，采用位置更新算法模型更新这组点在解空间的位置坐标；
获取更新后的工程控制网的所有实时点坐标，并将更新后的所有实时点坐标带入自适应的优化评价公式，计算各个实时点坐标的函数值；
将各个实时点坐标的函数值进行对比，获取实时函数极小值对应的位置坐标，并将该位置坐标标记为实时最优解；
将实时最优解与初始迭代的最优解进行对比，生成对比结果；
根据对比结果，获取目标最优解位置坐标，将目标最优解位置坐标作为全局最优解位置坐标。


3.根据权利要求2所述的一种基于机器学习的工程控制网坐标系建立方法，其特征在于，所述将实时最优解与初始迭代的最优解进行对比，生成对比结果的方法包括以下步骤：
将实时最优解与初始迭代的最优解进行对比，判断实时最优解是否优于初始迭代的最优解，如果是，则将实时最优解标记为目标最优解，并生成第一对比结果；如果否，则将初始迭代的最优解标记为目标最优解，并生成第二对比结果。


4.根据权利要求1所述的一种基于机器学习的工程控制网坐标系建立方法，其特征在于，所述高精度边长投影变形计算模型采用的计算公式为：ΔS＝ΔS1+ΔS2，其中，ΔS1为地面实测边长归算为地球椭球面大地线时发生的变形量，D为地面实测边长；Hm为地面实测边长的平均大地高，Rm为地球椭球的平均曲率半径；Δh为实测边长两个端点之间的平均大地高高差，ΔS2为椭球面大地线投影到高斯坐标平面对应弦边产生的长度投影变形量，S为椭球面大地线长度，ym为目标边长在高斯平面直角坐标系下的平均横坐标的自然值；Δy为为目标边端点之间的横坐标自然值之差，ΔS为总变形量。


5.根据权利要求4所述的一种基于机器学习的工程控制网坐标系建立方法，其特征在于，所述优化函数为max{|ΔS|}＝min。


6.一种基于机器学习的工程控制网坐标系建立系统，其特征在于，包括模型建立模块、优化函数建立模块、初始化模块、优化评价模块、对比模块、最优解更新模块以...

【专利技术属性】
技术研发人员：吴啸龙，向洋，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：陕西;61