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与流程

1.本发明涉及工程建设技术领域，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。


背景技术：

2.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。
3.一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。
4.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。
5.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。


技术实现要素：

6.本发明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。
7.为实现上述目的，本发明提供了如下方案：
8.一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：
9.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；
10.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；
11.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；
12.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；
13.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；
14.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；
15.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；
16.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；
17.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”；
18.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。
19.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：
20.初始化独立坐标系的基本参数；
21.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；
22.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。
23.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：
24.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。
25.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：
26.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；
27.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；
28.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；
29.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”；
30.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。
31.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：
32.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；
33.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；
[0034]
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。
[0035]
一种基于神经网络算法的独立坐标系参数分析系统，所述系统包括：
[0036]
三维坐标获取模块，用于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；
[0037]
基准抵偿面高程确定模块，用于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；
[0038]
投影三维坐标转换模块，用于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；
[0039]
坐标误差值获得模块，用于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；
[0040]
分类矩阵构成模块，用于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；
[0041]
分类直线方程获得模块，用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；
[0042]
误差值拟合直线方程获得模块，用于根据所述分类矩阵，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；
[0043]
第一判断结果获得模块，用于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；
[0044]
步骤返回模块，用于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”；
[0045]
最优抵偿面高程输出模块，用于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。
[0046]
可选的，所述投影三维坐标转换模块，具体包括：
[0047]
基本参数初始化子模块，用于初始化独立坐标系的基本参数；
[0048]
经纬度坐标获得子模块，用于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；
[0049]
投影三维坐标确定子模块，用于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。
[0050]
可选的，所述分类矩阵构成模块，具体包括：
[0051]
分类标识子模块，用于将坐标误差值大于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。
[0052]
可选的，所述分类直线方程获得模块，具体包括：
[0053]
初始化子模块，用于初始化迭代次数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；
[0054]
初始分类值获得子模块，用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；
[0055]
第二判断结果获得子模块，用于判断第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；
[0056]
更新子模块，用于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”；
[0057]
分类直线方程确定子模块，用于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。
[0058]
可选的，所述初始分类值获得子模块，具体包括：
[0059]
初始分类值计算单元，用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，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；
[0060]
偏置权重计算单元，用于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；
[0061]
权重矩阵确定单元，用于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。
[0062]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0063]
本发明提供了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标准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。
附图说明
[0064]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0065]
图1为本发明提供的一种基于神经网络算法的独立坐标系参数分析方法的流程图；
[0066]
图2为本发明实施例二提供的一种基于神经网络算法的独立坐标系参数分析方法的原理图；
[0067]
图3为本发明实施例二提供的单层感知器的结构图；
[0068]
图4为本发明实施例二提供的分类直线方程和误差值拟合直线方程的示意图。
具体实施方式
[0069]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0070]
本发明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。
[0071]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0072]
实施例一
[0073]
本发明一种基于神经网络算法的独立坐标系参数分析方法，如图1所示，方法包括：
[0074]
s101，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；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；
[0075]
s102，根据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；
[0076]
s103，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：
[0077]
初始化独立坐标系的基本参数；
[0078]
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；
[0079]
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标准坐标系参数采用高斯
‑
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在国家标准投影平面直角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。
[0080]
s104，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；
[0081]
s105，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；
[0082]
分类标识：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；坐标误差值不等于0。
[0083]
s106，根据分类矩阵，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：
[0084]
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；神经元网络单层感知器的参数包含初始权重矩阵；
[0085]
将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；
[0086]
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；
[0087]
若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的每个控制点的初始分类值”；
[0088]
若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。
[0089]
其中，将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的每个控制点的初始分类值，具体包括：
[0090]
将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；
[0091]
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；
[0092]
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。
[0093]
s107，根据分类矩阵，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；
[0094]
s108，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；
[0095]
s109，若第一判断结果表示否，则更新预设步距，返回步骤“根据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值”；
[0096]
s110，若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。
[0097]
本发明解决了独立坐标系转换到国家标准坐标系时在未知具体椭球膨胀算法的情况下，利用人工神经网络算法，通过多次迭代分析出最优抵偿面，保证转换成果精度。发明利用人工神经网络的强大算法，可有效分析整个工程区域内所有控制点的转换精度，在效率上有较大优势，相比人工分析具有高效率和智能化的特点。本发明可为工程应用中独
立坐标系转换到国家标准坐标系提供快速准确的转换依据和参数。
[0098]
实施例二
[0099]
参照图2所示，本发明的具体方案如下：
[0100]
步骤101：通过数据读取模块读取整理好csv格式的的独立坐标系控制点三维坐标。三维坐标值即东方向坐标值，北方向坐标值和高程值。
[0101]
步骤102：通过数据读取模块读取整理好的csv格式国家标准坐标系控制点三维坐标。
[0102]
要求101和102步骤读取两个坐标系的控制点点名一致，必须为一一对应，既一个独立坐标系控制点对应一个国家标准坐标系控制点。
[0103]
步骤103：设置独立坐标系基本参数，如采用的椭球信息、高斯
‑
克吕格投影所采用的中央经线值、采用的抵偿面高程值等。
[0104]
步骤104：根据获取到的独立坐标系参数对101步骤读取的独立坐标系坐标进行高斯投影反算，高斯投影反算是利用高斯投影的计算方法，将以米为单位的投影平面直角坐标系的坐标值投影计算到以度为单位的地理坐标系上。
[0105]
在高斯投影反算过程中采用到的椭球膨胀计算方法是独立坐标系转向国家标准坐标系的基础计算方法，此类椭球膨胀算法较多，在独立坐标系设计过程中没有明确的规定采用何种膨胀算法，算法只需按照相关规范保证控制点控制范围内的每公里投影长度变形误差小于2.5厘米即可；因此在本发明中采用了一种一般性的椭球膨胀算法来进行计算。
[0106]
步骤105：根据104步骤计算的结果按照国家标准坐标系参数采用高斯
‑
克吕格投影正算计算得到与102步骤获取的国家标准坐标系控制点成果一致的分带数据上。高斯投影正算即采用高斯投影计算方法把以度为单位的地理坐标系坐标值投影计算到以米为单位投影平面直角坐标系上。
[0107]
步骤106：对105步骤得到成果与102步骤读取控制点成果进行误差值计算，主要计算东方向和北方向的误差值。
[0108]
具体的，按照提供的独立坐标参数进行高斯投影计算后成果应该与提供的国家标准坐标系控制点成果一致，但是由于采用了不同的椭球膨胀算法进行抵偿面高程改正，导致在本发明中采用一般椭球膨胀算法的成果与标准成果存在误差，为找到误差最小值，本步骤是后续计算的一个基础数据。
[0109]
步骤107：以106步骤提供的独立坐标系抵偿面高程为基准，以
±
10米为步距计算新的抵偿面高程值，计算10组新的抵偿面高程值；按照10组新的抵偿面分别计算在10组抵偿面下独立坐标系转换后的坐标值与国家标准坐标系坐标值的误差。
[0110]
具体的，计算的误差应进行初步判断，误差中应包含正向误差和负向误差，误差按照不同抵偿面进行分类组成初始计算矩阵，作为神经元计算的初始数据导入到步骤108。
[0111]
分类是按照计算出的误差大于0还是小于0给出一个标记矩阵标识分类情况，误差值是大于0的标记为1，误差值小于1的标记为
‑
1。
[0112]
步骤108：根据步骤107计算的误差成果设置进行神经元计算的初步参数，参数包含学习率、初始权重矩阵等。
[0113]
步骤109：通过步骤108提供的单层神经元计算参数，结合107步骤提供的初始数据，经过单层神经元分类计算，获取到误差接近0的分类直线方程，如图4所示，横坐标表示
不同的抵偿面，纵坐标表示的为不同抵偿面下的误差值。
[0114]
具体的：人工神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，并具有自学习和自适应的能力。本发明采用的为神经元网络单层感知器算法对误差分类进行分类计算。
[0115]
计算方法如下：单层感知器为二分类模型与逻辑回归类似其输入为实例的特征向量，输出为实例的类别，取 1或者
‑
1值。也可以说在平面坐标轴画一条直线，把误差点分为两类，一类大于零另一类小于零。
[0116]
单层感知器由一个线性组合器和一个二值阈值元件组成。输入向量的各个分量先与权值相乘，然后在线性组合器中进行叠加，得到一个标量结果，其输出是线性组合结果经过一个二值阈值函数。二值阈值元件通常是一个上升函数，典型功能是非负数映射为正1，负数映射为负1。
[0117]
输入是一个n维向量x＝[x1,x2,...,x
n
]，其中每一个分量x
i
对应一个权值w
i
，隐含层输出叠加为一个标量值：
[0118][0119]
随后在二值阈值元件中对得到的值v进行判断，产生二值输出：
[0120][0121]
可以将数据分为两类。实际应用中，还加入偏置，值恒为1，权值为b。
[0122]
这时，y输出为：
[0123]
把b偏置值当作特殊权值，单层感知器进行模式识别的超平面由下式决定：
[0124][0125]
单层感知器的结构图如图3所示。
[0126]
输入向量可以表示为平面直角坐标系中的一个点。此时分类超平面是一条直线:w1x1 w2x2 b＝0，这样就可以将点沿直线划分成两类。
[0127]
计算输入数据为3
×
910数组，分别为符号值为计算方便均为1，抵偿面值和不同抵偿面每个控制点坐标与标准值的误差，具体数据如下：
[0128]
[1,1090,
‑
7.765867612],[1,1100,
‑
3.011333824],[1,1110,1.743185056],[1,1120,6.49768903],[1,1130,11.2521781],[
……
,
……
,
……
]。
[0129]
对应的每一个数据误差大于0的标识为1，小于0的标识为
‑
1，用1
×
910组数据进行分类，记为t。
[0130]
输入初始权重w1为3
×
1的随机矩阵，初始值为计算机随机生成0
‑
1之间的值，具体数据如下：[[0.12860615],[0.08277231],[0.01879966]]。
[0131]
通过单层神经元对输入数据进行训练，训练过程为输入向量的各个分量先与初始
权值相乘后进行符号计算，与标识数据t进行相减后得到初始权重下的取值e；并计算偏置值，计算公式为：lr
×
(x.t.dot(e))/x.shape[0]；其中lr为学习率，x.t为输入矩阵转置后的矩阵。
[0132]
计算偏置值后，与初始权重相加得到下一个次神经单元计算的新权重w2,参加下一次偏置计算。
[0133]
进行每次计算后对符号计算后得到的数据与提供的标准分类数据t进行比较，是否全部符号计算后得到的数据均与提供的比较数据一致，若数据一致即停止计算。得到最终的权重值w
n
，最后权重w
n
中的w
n(2)
÷
w
n(3)
为分类超平面直线方程：y＝kx b中的k值，w
n(1)
÷
w
n(3)
为直线方程的b值。
[0134]
可以计算出在此分类直线上各抵偿面的分类值，并形成直线函数及直线数据列表。
[0135]
步骤110：根据107步骤计算的值，可利用直线函数进行拟合，使用机器学习中的直线拟合方法求得在提供的不同抵偿面下的误差值拟合直线方程，如图4所示，并获取直线参数及直线数据列表。
[0136]
步骤111：根据109和110步骤求得的直线函数进行交点求解，求解的交点即为神经元分析的此抵偿面下误差最小值；直线相交情况见图一，图中红线为109步骤神经元分析值求出直线，绿色线为110步骤拟合生成直线。
[0137]
通过求两条相交直线的交点值进行判断，求得交点横坐标为新的抵偿面高程，纵坐标为神经元分析的分类中间值，中间值理论上应无限接近0，在实际使用中根据经验以中间值小于0.001为判定标准，在中间值大于0.001时重复103
‑
110步骤进行重新分析，起始数据需要重新计算，计算原则按照求得的抵偿面高程为基准，步距按前一次计算值的十分之一为步距值，计算10组新抵偿面高程值下的数据作为输入值进行分析；直至求解误差小于判定值。
[0138]
具体的，以新的抵偿面进行计算后与标准坐标值进行误差计算，误差值小于工程应用基本要求作为结束神经元分析的依据，并对分析结果进行记录与核对。
[0139]
对于目前使用技术和方法，采用本发明提供的方法可高效率、高精度的获取到转换所需要的具体参数。利用本发明计算出的参数可高精度的对工程应用中的独立坐标系转换到标准坐标系成果，标准坐标系成果也可以高精度转换到独立坐标系。本发明具有智能化的分析方法，依靠第3部分109步骤的人工神经元计算，可以不知道具体椭球膨胀算法的情况下，通过神经元的自学习与自适应特性完成对需要成果的分析判定。
[0140]
由于采用了人工神经元算法对测量数据进行智能分析，解决了原来人工只能分析少量控制点精度变化的情况的。人工分析结果不能有效代表整个项目区的误差变化情况，在项目区内的精度无法有效进行保障。采用本发明提供的方法进行分析，可一次性分析出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。
[0141]
实施例三
[0142]
某项目工程为长距离线形工程；为保证项目正常设计与施工，在项目勘测设计阶段设置了用于设计和施工使用的独立坐标系；独立坐标系设置采用2000国家大地坐标系的椭球参数，投影中央经线为105
°
55分，抵偿面高程为1100米。同时勘测单位提供了国家标准
分带下坐标系成果：采用2000国家大地坐标系椭球，标准3
°
带分带中央经线为105
°
。两套成果各有控制点92个，并一一对应。
[0143]
分别读取两套坐标系的92个控制点信息，信息包含三维坐标值即东方向坐标值，北方向坐标值和高程值。
[0144]
通过获取到的独立坐标系参数，对独立坐标系控制点进行投影计算；计算过程中涉及到使用抵偿面高程计算新的椭球参数，新椭球参数按照一般膨胀椭球方法进行计算。
[0145]
通过提供的1100米抵偿面高程计算一套92个控制点转换到国家标准坐标系成果，并与提供的国家标准坐标系成果进行比较，计算误差值。
[0146]
以1100米抵偿面高程为基准，按
±
10米为步距分别计算出在1050
‑
1150米抵偿高程面下计算92个独立坐标系控制点转换到国家标准坐标系后与提供正确的坐标系下控制点的误差值。
[0147]
以步距和误差值组成初始计算矩阵，设置初始学习率、随机权重矩阵等参数，利用单层神经元对初始数据进行分析、分类。计算数据划分直线参数。
[0148]
用1050
‑
1150米抵偿面生成的数据进行分析计算后得到的数据为1106.228，
‑
0.0583，第一个数据为利用神经元分析得到的误差最小抵偿面高程值，第二个数据为直线交点值，为神经元分析后直线上的误差值；单位均为米。
[0149]
查相交直线误差值为0.058米，不能满足转换后的工程应用需要；再以1100米作为抵偿面基准，按照
±
1米为基准分别计算出在1101
‑
1111米抵偿面下计算92个独立坐标系控制点转换到国家标准坐标系后与提供正确的坐标系下控制的误差值；重复上面的分析步骤，得到在1101
‑
1111米抵偿面下的分析数据为：1106.204，
‑
0.0667，与上次学习对比误差并未明显减小，反而还有增大的情况，说明此分析抵偿面不能满足使用要求。
[0150]
结合第二次分析情况，再次以1106米作为抵偿面基准，按照
±
0.1米作为基准分别在1103.5
‑
1108.5米抵偿面下计算92个独立坐标系控制点转换到国家标准坐标系后与提供正确的坐标系下控制的误差值再次进行神经元分析计算，得到的数据为1106.3482，0.0013，按第三次计算的相交直线上提取误差为0.0013，可以作为抵偿面确定的基本判断。1106.348米可以做为新的抵偿面值参与后续工程应用数据处理。
[0151]
利用计算分析到的1106.348米作为独立坐标系的抵偿面参数对92个独立坐标系控制点进行转换到标准坐标系。通过对转换后的控制点成果与提供的标准坐标系控制点成果比对，中误差为：0.011米，最大误差为0.019米，最小误差为
‑
0.020米。通过使用神经元分析计算出的抵偿面进行独立坐标系转标准坐标系成果与提供准确成果进行比对，误差满足工程项目数据成果转换精度要求，可以使用1106.348作为新的抵偿面进行数据投影转换。
[0152]
本发明是在未知投影抵偿面的膨胀椭球算法的情况下，采用神经网络算法，对独立坐标系采用的抵偿面高程进行机器学习分析，并查找出精度符合相关设计要求的抵偿面高程值以满足工程应用的要求。
[0153]
实施例四
[0154]
本发明针对图2所示的原理提供了一种基于神经网络算法的独立坐标系参数分析系统。
[0155]
设置模块201，控制点读取模块，用于独立坐标系与标准坐标系控制点成果的读取，确保初始数据正确性。
[0156]
高斯
‑
克吕格投影正算、反算模块202，用于独立坐标系成果投影至标准坐标系，基本原来为独立坐标系按照相关参数使用高斯
‑
克吕格投影反算，由投影平面直角坐标系投影计算值地理坐标系，坐标值单位由米单位投影计算为度单位；地理坐标使用高斯
‑
克吕格投影正算方法按照国家标准坐标系参数投影计算值平面直角坐标。
[0157]
椭球膨胀算法模块203，用于独立坐标系投影转换到标准坐标系时的抵偿面高程参数参与的新椭球计算，本发明采用的为一般性椭球膨胀算法，利用抵偿面高程值，计算出独立坐标系下的椭球相关参数用于202模块的高斯投影计算。
[0158]
神经元分析数据生成模块204，本发明采用了神经元对不同抵偿面下的投影数据进行分析计算；在使用神经元计算前需要准备用于神经元计算的基础数据，其包括不同抵偿面下的各控制点误差值，初始计算随机权重，学习率等。
[0159]
本模块主要为组织计算不同抵偿面下的独立坐标系成果投影至标准坐标系成果后与准确值的误差计算与数据组织。
[0160]
单层神经元分析模块205，本发明采用单层神经元对转换数据进行分析分类，通过204模块设置的学习率，初始权重等参数对提供的误差值进行分类，计算出线性分割的直线方程系数，以便查找在当前提供数据下误差接近0的抵偿面高程值。
[0161]
误差直线拟合与直线求交模块206，对模块204生成初始误差数据进行直线拟合计算，计算出一条直线方程，拟合的直线方程符合误差数据分布走向；利用拟合的直线与神经元分析出的分割直线进行线
‑
线相交求解，较低即为本误差数据下的最优抵偿面高程值和分割误差值。
[0162]
成果数据判定与分析迭代模块207，对于206模块计算的结果进行分析判定，判定分割误差值是否接近0，同时利用分析后的新抵偿面高程值对全部独立坐标系控制点进行计算，并与标准成果进行误差计算，计算的中误差大于相关技术要求按照新获取的抵偿面高程值为标准采用缩小十分之一的步距重复模块202
‑
206模块进行迭代计算，直至误差符合相关技术要求为止。
[0163]
实施例五
[0164]
本发明针对图1所示的流程图提供了一种基于神经网络算法的独立坐标系参数分析系统，系统包括：
[0165]
三维坐标获取模块，用于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；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；
[0166]
基准抵偿面高程确定模块，用于根据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；
[0167]
投影三维坐标转换模块，用于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；
[0168]
坐标误差值获得模块，用于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；
[0169]
分类矩阵构成模块，用于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；
[0170]
分类直线方程获得模块，用于根据分类矩阵，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；
[0171]
误差值拟合直线方程获得模块，用于根据分类矩阵，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；
[0172]
第一判断结果获得模块，用于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；
[0173]
步骤返回模块，用于若第一判断结果表示否，则更新预设步距，返回步骤“根据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值”；
[0174]
最优抵偿面高程输出模块，用于若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。
[0175]
投影三维坐标转换模块，具体包括：
[0176]
基本参数初始化子模块，用于初始化独立坐标系的基本参数；
[0177]
经纬度坐标获得子模块，用于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；
[0178]
投影三维坐标确定子模块，用于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。
[0179]
分类矩阵构成模块，具体包括：
[0180]
分类标识子模块，用于将坐标误差值大于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；坐标误差值不等于0。
[0181]
分类直线方程获得模块，具体包括：
[0182]
初始化子模块，用于初始化迭代次数n为1，以及神经元网络单层感知器的参数；神经元网络单层感知器的参数包含初始权重矩阵；
[0183]
初始分类值获得子模块，用于将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；
[0184]
第二判断结果获得子模块，用于判断第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；
[0185]
更新子模块，用于若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”；
[0186]
分类直线方程确定子模块，用于若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。
[0187]
初始分类值获得子模块，具体包括：
[0188]
初始分类值计算单元，用于将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；
[0189]
偏置权重计算单元，用于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；
[0190]
权重矩阵确定单元，用于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。
[0191]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0192]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。