[發明專利]貝葉斯正則化反向傳播神經網絡坐標轉換方法及裝置

在審

• 申請號: 202010421644.3
• 申請日: 2020-05-18
• 公開（公告）號: CN111598235A
• 公開（公告）日: 2020-08-28
• 發明（設計）人: 宋雷;陳旭;趙碩;周保興
• 申請（專利權）人: 山東交通學院
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G06T3/60;G06K9/62;G06F16/29
• 代理公司: 濟南千慧專利事務所(普通合伙企業) 37232
• 代理人: 種道北

1.一種貝葉斯正則化反向傳播神經網絡坐標轉換方法，其特征在于，包括：

確定控制點的2000國家大地坐標系平面坐標與工程獨立坐標系平面坐標，創建學習集；

根據所述學習集與貝葉斯正則化算法，訓練神經網絡模型，直至所述神經網絡模型的性能指數達到預設值時，確定完成訓練；

根據訓練完成的神經網絡模型，以及待測點的2000國家大地坐標系平面坐標，確定轉換得到的所述待測點的工程獨立坐標系平面坐標。

2.根據權利要求1所述的方法，其特征在于，確定控制點的2000國家大地坐標系平面坐標與工程獨立坐標系平面坐標，創建學習集，包括：

計算控制點的2000國家大地坐標系平面坐標與工程獨立坐標系平面坐標之間的坐標差；

根據控制點的2000國家大地坐標系平面坐標與所述坐標差，創建學習集。

3.根據權利要求2所述的方法，其特征在于，所述神經網絡模型為貝葉斯正則化的反向傳播神經網絡模型，包括輸入轉換層、輸入層、隱含層、輸出層、輸出轉換層；

所述輸入轉換層，用于將輸入神經網絡模型的數據轉換為所述隱含層可識別的數據；

所述輸出轉換層，用于將所述輸出層輸出的數據轉換為與所述學習集中的坐標差相對應的數據。

4.根據權利要求3所述的方法，其特征在于，根據所述學習集，訓練神經網絡模型，直至所述神經網絡模型的性能指數達到預設值時，確定完成訓練，包括：

初始化神經網絡模型的權值矩陣；

根據學習集中的2000國家大地坐標系平面坐標，確定神經網絡模型預測得到的坐標差，作為預測輸出數據；

根據學習集中的坐標差與所述預測輸出數據之間的差距，采用反向傳播算法與貝葉斯正則化算法，對所述神經網絡模型的性能指數中的參數進行調整，并調整所述神經網絡模型的網絡規模；

重復對所述性能指數以及網絡規模進行調整，直至所述神經網絡模型的性能指數達到預設值，確定完成訓練。

5.根據權利要求3所述的方法，其特征在于，所述輸出層輸出的數據的范圍為0.2～0.8。

6.根據權利要求3所述的方法，其特征在于，所述隱含層采用的激活函數為Log-sigmoid函數。

7.根據權利要求3所述的方法，其特征在于，所述輸出層采用的激活函數為線性函數。

8.根據權利要求1所述的方法，其特征在于，所述神經網絡模型的性能指數為F(w)＝αE_w+βE_D，其中，表示神經網絡所有權值的均方誤差，m為神經網絡權值的總個數，w_j為神經網絡權值；表示神經網絡的均方誤差，n為學習集樣本總數，t_p為第p組訓練的期望輸出數據，a_p為第p組訓練的實際輸出數據，α、β為正則化系數。

9.根據權利要求2所述的方法，其特征在于，確定控制點的2000國家大地坐標，包括：

采用RTK技術，確定控制點的2000國家大地坐標(L，B)；

根據高斯投影方法，確定在0.5mm精度下所述控制點的相應2000國家大地坐標系平面坐標(x，y)。

10.一種貝葉斯正則化反向傳播神經網絡坐標轉換裝置，其特征在于，包括：

創建模塊，確定控制點的2000國家大地坐標系平面坐標與工程獨立坐標系平面坐標，創建學習集；

訓練模塊，根據所述學習集與貝葉斯正則化算法，訓練神經網絡模型，直至所述神經網絡模型的性能指數達到預設值時，確定完成訓練；

確定模塊，根據訓練完成的神經網絡模型，以及待測點的2000國家大地坐標系平面坐標，確定轉換得到的所述待測點的工程獨立坐標系平面坐標。