一种基于神经网络算法的独立坐标系参数分析方法及系统技术方案

本发明专利技术涉及一种基于神经网络算法的独立坐标系参数分析方法及系统，在独立坐标系转换到国家坐标系时在未知具体椭球膨胀算法的情况下，通过神经元网络单层感知器算法，多次迭代分析出最优抵偿面，解决了原来人工只能分析少量控制点精度变化的缺陷，一次性分析全部项目区内控制点的误差变化情况，从而得到最优的一个转换参数值，保证测量数据的高精度转换，提高了获取坐标系转换所需要的具体参数的效率和精度。率和精度。率和精度。

【技术实现步骤摘要】
一种基于神经网络算法的独立坐标系参数分析方法及系统


[0001]本专利技术涉及工程建设
，特别是涉及一种基于神经网络算法的独立坐标系参数分析方法及系统。

技术介绍

[0002]大型工程建设项目需要设置独立坐标系，保证工程项目设计施工中设计长度到实施放样长度的误差每公里需小于2.5厘米。此类误差为投影长度误差，主要原因是由于采用的高斯投影为一种等角投影，投影后角度元素在投影前后保持不变，而在投影后距中央经线越远长度的变形越大。同时在高海拔地区需要在投影时设置投影抵偿高程面，抵偿高程面指为使地面上边长的高斯投影长度改正与归算到基准面上的改正互相抵偿而确定的一个高程面。一般工程应用采用椭球膨胀方法进行设置抵偿高程面。
[0003]一般大型工程建设项目(如高速公路、高速铁路、大型城市规划)等均需要设置符合项目勘测要求的独立坐标系。独立坐标系设置一般需满足两个必要条件：一是符合相关设计勘测规范要求，即为每公里投影长度变形误差不大于2.5厘米，二是设置的独立坐标系可以与国家标准坐标系进行转换。
[0004]独立坐标系设置过程中高斯
‑
克吕格投影算法固定，无特殊要求没有变化；但在投影抵偿高程面设定上存在各种方法，其可用的椭球膨胀算法达十多种；独立坐标系设置单位一般也不对椭球膨胀算法进行详细描述，导致在使用时独立坐标系时具体使用单位并不知道使用的是哪一种椭球膨胀算法，在转换计算后存在一定误差；导致使用时不能满足坐标系转换使用。
[0005]目前在工程应用中独立坐标系转换为国家标准坐标系一般采用三种方法，一是咨询工程项目勘测设计测量单位在独立坐标系设计时采用椭球膨胀算法，并提供相关计算公式和设置方法，但是一般情况下勘测单位较难提供相关具体参数，主要原因是膨胀算法并没有规定为项目必须提供资料；并且具体算法较多，设计单位采用符合规范设计要求的参数即可。二是采用人工逐一分析勘测测量设计单位采用的椭球膨胀算法；采用此方法较难分析区域内所有点的误差情况，人工计算量大；一般只能选取工程项目范围内的几个控制点进行分析比较，不能有效对工程项目全区域进行有效分析。三是直接采用布尔沙七参数的方法进行坐标系转换，使用此方法可不用分析具体使用的独立坐标系参数；但由于存在参数不明确的情况，转换后控制点误差无法做到最优；只能在精度要求不高的情况下进行使用。

技术实现思路

[0006]本专利技术的目的是提供一种基于神经网络算法的独立坐标系参数分析方法及系统，能够提高获取坐标系转换所需要的具体参数的效率和精度。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]一种基于神经网络算法的独立坐标系参数分析方法，所述方法包括：
[0009]获取多个控制点分别在独立坐标系中的三维坐标和国家坐标系中的三维坐标；所述控制点为工程建设项目中为进行测量作业而在测量区域布设的点；
[0010]根据所述独立坐标系的抵偿面高程，以预设步距确定多个基准抵偿面高程；
[0011]利用高斯投影算法将多个控制点在独立坐标系中的三维坐标利用不同的基准抵偿面高程值转换为在国家坐标系中的投影三维坐标；
[0012]对每个基准抵偿面高程下多个控制点的投影三维坐标与多个控制点在国家坐标系中的三维坐标进行误差值计算，获得每个基准抵偿面高程下每个控制点的坐标误差值；
[0013]根据每个控制点的坐标误差值对每个控制点进行分类标识，并结合每个控制点的分类标识、基准抵偿面高程和坐标误差值构成分类矩阵；
[0014]根据所述分类矩阵，利用神经元网络单层感知器算法进行误差分类计算，获得分类值关于抵偿面高程的分类直线方程；
[0015]根据所述分类矩阵，利用直线拟合方法，获得分类值关于抵偿面高程的误差值拟合直线方程；
[0016]获取分类直线方程和误差值拟合直线方程的交点，并判断交点中的分类值是否小于分类值阈值，获得第一判断结果；
[0017]若所述第一判断结果表示否，则更新预设步距，返回步骤“根据所述独立坐标系的抵偿面高程，以预设步距确定多个基准抵偿面高程”；
[0018]若所述第一判断结果表示是，则将交点中的抵偿面高程作为最优抵偿面高程进行输出。
[0019]可选的，所述利用高斯投影算法将多个控制点在独立坐标系中的三维坐标转换为多个基准抵偿面高程下每个控制点在国家坐标系中的投影三维坐标，具体包括：
[0020]初始化独立坐标系的基本参数；
[0021]根据独立坐标系的基本参数，在多个基准抵偿面高程下分别对独立坐标系中多个控制点的三维坐标进行高斯投影反算，获得每个基准抵偿面高程下的多个控制点的经纬度坐标；
[0022]将每个基准抵偿面高程下多个控制点的经纬度坐标按照国家坐标系参数利用高斯
‑
克吕格投影正算，计算每个基准抵偿面高程下每个控制点的经纬度坐标投影到国家坐标系中的三维坐标，作为每个基准抵偿面高程下每个控制点在国家坐标系中的投影三维坐标。
[0023]可选的，所述根据每个控制点的坐标误差值对每个控制点进行分类标识，具体包括：
[0024]将坐标误差值大于0的控制点分类标识为1，并将坐标误差值小于0的控制点分类标识为
‑
1；所述坐标误差值不等于0。
[0025]可选的，根据所述分类矩阵，利用神经元网络单层感知器算法进行误差分类计算，获得分类值关于抵偿面高程的分类直线方程，具体包括：
[0026]初始化迭代次数n为1，以及神经元网络单层感知器的参数；所述神经元网络单层感知器的参数包含初始权重矩阵；
[0027]将所述分类矩阵输入参数初始化后的神经元网络单层感知器，基于所述初始权重矩阵，获得第n次神经单元计算的权重矩阵和每个基准抵偿面高程下每个控制点的初始分
类值；
[0028]判断第n次神经单元计算的每个基准抵偿面高程下每个控制点的初始分类值是否均与每个控制点的分类标识相同，获得第二判断结果；
[0029]若所述第二判断结果表示否，则将初始权重矩阵更新为第n次神经单元计算的权重矩阵，并将n的数值增加1，返回步骤“将所述分类矩阵输入参数初始化后的神经元网络单层感知器，基于所述初始权重矩阵，获得第n次神经单元计算的权重矩阵和每个基准抵偿面高程下每个控制点的初始分类值”；
[0030]若所述第二判断结果表示是，则根据第n次神经单元计算的权重矩阵，利用公式确定分类值关于抵偿面高程的分类直线方程；其中，Y为分类直线方程的因变量，X为分类直线方程的自变量，K为分类直线方程的系数，B为分类直线方程的常数，W
n(1)
、W
n(2)
、W
n(3)
分别为第n次迭代神经单元的权重矩阵中的第一个、第二个、第三个权重值。
[0031]可选的，将所述分类矩阵输入参数初始化后的神经元网络单层感知器，基于所述初始权重矩阵，获得第n次神经单元计算的权重矩阵和每个基准抵偿面高程下每个控制点的初始分类值，具体包括：...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络算法的独立坐标系参数分析方法，其特征在于，所述方法包括：获取多个控制点分别在独立坐标系中的三维坐标和国家坐标系中的三维坐标；所述控制点为工程建设项目中为进行测量作业而在测量区域布设的点；根据所述独立坐标系的抵偿面高程，以预设步距确定多个基准抵偿面高程；利用高斯投影算法将多个控制点在独立坐标系中的三维坐标利用不同的基准抵偿面高程值转换为在国家坐标系中的投影三维坐标；对每个基准抵偿面高程下多个控制点的投影三维坐标与多个控制点在国家坐标系中的三维坐标进行误差值计算，获得每个基准抵偿面高程下每个控制点的坐标误差值；根据每个控制点的坐标误差值对每个控制点进行分类标识，并结合每个控制点的分类标识、基准抵偿面高程和坐标误差值构成分类矩阵；根据所述分类矩阵，利用神经元网络单层感知器算法进行误差分类计算，获得分类值关于抵偿面高程的分类直线方程；根据所述分类矩阵，利用直线拟合方法，获得分类值关于抵偿面高程的误差值拟合直线方程；获取分类直线方程和误差值拟合直线方程的交点，并判断交点中的分类值是否小于分类值阈值，获得第一判断结果；若所述第一判断结果表示否，则更新预设步距，返回步骤“根据所述独立坐标系的抵偿面高程，以预设步距确定多个基准抵偿面高程”；若所述第一判断结果表示是，则将交点中的抵偿面高程作为最优抵偿面高程进行输出。2.根据权利要求1所述的基于神经网络算法的独立坐标系参数分析方法，其特征在于，所述利用高斯投影算法将多个控制点在独立坐标系中的三维坐标利用不同的基准抵偿面高程值转换为在国家坐标系中的投影三维坐标，具体包括：初始化独立坐标系的基本参数；根据独立坐标系的基本参数，在多个基准抵偿面高程下分别对独立坐标系中多个控制点的三维坐标进行高斯投影反算，获得每个基准抵偿面高程下多个控制点的经纬度坐标；将每个基准抵偿面高程下多个控制点的经纬度坐标按照国家坐标系参数利用高斯
‑
克吕格投影正算，计算每个基准抵偿面高程下每个控制点的经纬度坐标投影到国家坐标系中的三维坐标，作为每个基准抵偿面高程下每个控制点在国家坐标系中的投影三维坐标。3.根据权利要求1所述的基于神经网络算法的独立坐标系参数分析方法，其特征在于，所述根据每个控制点的坐标误差值对每个控制点进行分类标识，具体包括：将坐标误差值大于0的控制点分类标识为1，并将坐标误差值小于0的控制点分类标识为
‑
1；所述坐标误差值不等于0。4.根据权利要求1所述的基于神经网络算法的独立坐标系参数分析方法，其特征在于，根据所述分类矩阵，利用神经元网络单层感知器算法进行误差分类计算，获得分类值关于抵偿面高程的分类直线方程，具体包括：初始化迭代次数n为1，以及神经元网络单层感知器的参数；所述神经元网络单层感知器的参数包含初始权重矩阵；将所述分类矩阵输入参数初始化后的神经元网络单层感知器，基于所述初始权重矩
阵，获得第n次神经单元计算的权重矩阵和每个基准抵偿面高程下每个控制点的初始分类值；判断第n次神经单元计算的每个基准抵偿面高程下每个控制点的初始分类值是否均与每个控制点的分类标识相同，获得第二判断结果；若所述第二判断结果表示否，则将初始权重矩阵更新为第n次神经单元计算的权重矩阵，并将n的数值增加1，返回步骤“将所述分类矩阵输入参数初始化后的神经元网络单层感知器，基于所述初始权重矩阵，获得第n次神经单元计算的权重矩阵和每个基准抵偿面高程下每个控制点的初始分类值”；若所述第二判断结果表示是，则根据第n次神经单元计算的权重矩阵，利用公式确定分类值关于抵偿面高程的分类直线方程；其中，Y为分类直线方程的因变重，X为分类直线方程的自变重，K为分类直线方程的系数，B为分类直线方程的常数，W
n(1)
、W
n(2)
、W
n(3)
分别为第n次迭代神经单元的权重矩阵中的第一个、第二个、第三个权重值。5.根据权利要求4所述的基于神经网络算法的独立坐标系参数分析方法，其特征在于，将所述分类矩阵输入参数初始化后的神经元网络单层感知器，基于所述初始权重矩阵，获得第n次神经单元计算的权重矩阵和每个基准抵偿面高程下每个控制点的初始分类值，具体包括：将所述分类矩阵输入参数初始化后的神经元网络单层感知器，基于所述初始权重矩阵，利用公式计算每个基准抵偿面高程下每个控制点的初始分类值；其中，y
IJ
为第J个基准抵偿面高程下第I个控制点的初始分类值，sgn()为符号函数，x
i
为第I个控制点中第i个坐标误差值，ω
i
为初始权重矩阵中第I个控制点的第i个坐标误差值的权重，N为第I个控制点中坐标误差值的数量，b为偏置值；根据每个基准抵偿面高程下每个控制点的初始分类值，利用公式F＝lr
×
(X.T.dot(E))/X.shape[0]，计算每个基准抵偿面高程下每个控制点的偏置权重F；其中，lr为学习率，X.T为分类矩阵转置后的矩阵，dot()为矩阵点乘函数，shape[]为分类矩阵的行列中的行，E＝d
I
‑
y
IJ
，d
I
为第I个控制点的分类标识，E为第I个控制点的分类标识与初始分类值的差值；将每个基准抵偿面高程下每个控制点的偏置权重与初始权重矩阵相加后的矩阵确定为第n次神经单元计算的权重矩阵。6.一种基于神经网络算法的独立坐标系参数分析系统，其特征在于，所述系统包括：三维坐标获取模块，用于获取多个控制点分别在...

【专利技术属性】
技术研发人员：张禾，任成冕，曹扬，杨莎莎，韩莉，胡书，
申请(专利权)人：贵州正源智绘科技有限公司，
类型：发明
国别省市：