论文总字数：30259字

摘 要

我国以似大地水准面作为高程起算面，故工程实际中测量的高程为正常高；而GNSS测量获取的高程为大地高，二者差值为高程异常值。GNSS测量具备高精度，高效率等优点，但GNSS高程测量成果应用在工程实际中需要高程异常值改正。似大地水准面的精化模型即是估算平面上一点的高程异常值的模型，其拟合精度对于GNSS测量的高程精度提升具有重要意义。现行的国家标准似大地水准面拟合模型为二次多项式模型，其精度较为一般，原因在于没有考虑到重力影响和选择合适的拟合方法。在二次多项式模型的基础之上，加入EGM2008数据，可以构成融合重力信息的似大地水准面模型；而神经网络方法是新兴的，高精度的数据处理方法，利用神经网络方法，融合重力信息提出一种似大地水准面精化模型。利用工程实例对不同模型拟合的效果进行对比分析，得到一种可以相较二次多项式模型提高拟合精度达65%的融合重力信息的BP神经网络模型。

关键词：似大地水准面精化，高程异常，EGM2008重力场模型，二阶多项式拟合法，BP神经网络

A Study on Quasi-geoid Refinement Model fused with Gravity Information

21315123 Shen Xin

Supervised by professor Hu Wusheng

Abstract

In China, quasi-geoid is used as the elevation starting point, so the elevation measured in the actual project is normal high; while the elevation obtained by GNSS measurement is geodetic height, the difference between the two is height anomaly. GNSS measurement has the advantages of high precision and high efficiency, but the application of GNSS elevation measurement needs to correct the height anomaly in engineering practice. The refinement model of quasi-geoid is a model that estimates the height anomaly at a point on the plane. The fitting accuracy is important for the elevation accuracy improvement of GNSS measurements. The current national standard-quasi-geoid-fitting model is a quadratic polynomial model, and its accuracy is relatively general, because the gravity influence is not taken into account and the appropriate fitting method is selected. Based on the quadratic polynomial model, the EGM2008 data is added to form a geodetic model that integrates gravity information. The neural network method is an emerging, high-precision data processing method. With neural network methods and gravity information, we put forward a quasi-geoid refinement model. An engineering example is used to compare and analyze the effects of different model fittings. The conclusion is that BP neural network model fused with gravity information can improve the accuracy by 65% compared with the quadratic polynomial model.

KEY WORDS: Quasi-geoid，abnormal height，EGM2008 gravity field model，

quadratic polynomial model，BP neural Network

目 录

摘 要 II

Abstract III

第一章 绪论 1

1.1研究意义与背景 2

1.2国内外研究现状 3

1.3本文主要研究内容 3

第二章 二次多项式模型 4

第三章 EGM2008地球重力场模型 6

3.1EGM2008地球重力场模型介绍 6

3.2融合EGM2008重力异常数据的二次多项式模型 6

第四章 BP神经网络模型 8

4.1BP神经网络方法简介 8

4.1.1神经网络简介 8

4.1.2BP神经网络算法简介 9

4.2常规BP神经网络模型 11

4.3融合EGM2008重力异常数据的BP神经网络模型 12

第五章 工程实例分析 14

5.1实验数据简介 14

5.2实验数据的处理 16

5.2.1粗差数据的剔除 16

5.2.2基准点数据选取 16

5.3几种模型的拟合 18

模型A：二次多项式模型 18

模型B：融合重力数据的二次多项式模型 19

模型C：常规BP神经网络模型 20

模型D：融合重力数据的BP神经网络模型（七参数法） 21

模型E：融合重力数据的BP神经网络模型（八参数法） 22

5.4拟合效果对比分析 24

第六章 结论与展望 25

6.1主要工作与结论 25

6.2研究展望 25

致谢 27

参考文献 28

第一章 绪论

1.1研究意义与背景

世界上常用的高程系统主要有两种：正常高系统和正高系统。

正高系统的高程基准面是大地水准面。正高表示的是空间一点沿铅垂线至大地水准面的距离。

正常高系统的高程基准面是似大地水准面。正常重力线向下截取的一系列相应点连接而形成的连续曲面，即为似大地水准面^[1]。因为似大地水准面的构成方法本身属于一种数学模拟表面，所以似大地水准面本身没有物理意义。

正高具有物理意义且唯一确定，但是大地水准面本身不规则，所以往往难以获取；正常高没有物理意义，但是经过数学处理的似大地水准面计算简单，测量简便，我国统一采用正常高系统计算和表示地面点高程。

剩余内容已隐藏，请支付后下载全文，论文总字数：30259字