安徽大学学报（自然科学版）
安徽大學學報（自然科學版）
안휘대학학보（자연과학판）
JOURNAL OF ANHUI UNIVERSITY(NATURAL SCIENCES EDITION)
2010年
5期
21-26
,共6页
广义回归神经网络%克里格%残余%地表高程预测
廣義迴歸神經網絡%剋裏格%殘餘%地錶高程預測
엄의회귀신경망락%극리격%잔여%지표고정예측
以广东省番禹区沙洲和石楼镇岛地区的1 657个高程点为样本点,把其分为A、B、C组各200个高程点,A+B组400个高程点,A+B+C组600个高程点作为训练数据集,在Matlab 7.1和ArcGIS 9.2平台上分别应用广义回归神经网络(GRNN)、普通克里格(O-Kriging)、广义回归神经网络残余Kriging方法(GRNNRK)进行高程估值和成图,最后计算出三种方法的均方根误差.结果表明,如果插值样本数据量不变,样本的空间分布格局对GRNNRK插值精度的影响不大,且其插值精度要优于GRNN和O-Kriging方法的插值精度.随着插值样本数据量的增加,三种方法的插值精度都有显著提高,但GRNNRK方法的插值精度仍优于另两种方法.这表明GRNNRK方法在地形高程预测中的应用是可行的.
以廣東省番禹區沙洲和石樓鎮島地區的1 657箇高程點為樣本點,把其分為A、B、C組各200箇高程點,A+B組400箇高程點,A+B+C組600箇高程點作為訓練數據集,在Matlab 7.1和ArcGIS 9.2平檯上分彆應用廣義迴歸神經網絡(GRNN)、普通剋裏格(O-Kriging)、廣義迴歸神經網絡殘餘Kriging方法(GRNNRK)進行高程估值和成圖,最後計算齣三種方法的均方根誤差.結果錶明,如果插值樣本數據量不變,樣本的空間分佈格跼對GRNNRK插值精度的影響不大,且其插值精度要優于GRNN和O-Kriging方法的插值精度.隨著插值樣本數據量的增加,三種方法的插值精度都有顯著提高,但GRNNRK方法的插值精度仍優于另兩種方法.這錶明GRNNRK方法在地形高程預測中的應用是可行的.
이광동성번우구사주화석루진도지구적1 657개고정점위양본점,파기분위A、B、C조각200개고정점,A+B조400개고정점,A+B+C조600개고정점작위훈련수거집,재Matlab 7.1화ArcGIS 9.2평태상분별응용엄의회귀신경망락(GRNN)、보통극리격(O-Kriging)、엄의회귀신경망락잔여Kriging방법(GRNNRK)진행고정고치화성도,최후계산출삼충방법적균방근오차.결과표명,여과삽치양본수거량불변,양본적공간분포격국대GRNNRK삽치정도적영향불대,차기삽치정도요우우GRNN화O-Kriging방법적삽치정도.수착삽치양본수거량적증가,삼충방법적삽치정도도유현저제고,단GRNNRK방법적삽치정도잉우우령량충방법.저표명GRNNRK방법재지형고정예측중적응용시가행적.
