针对误差逆向传播 BP ( back propagation)神经网络在 GNSS 水准拟合中存在梯度消失、陷于局部最小点的问题,通过使用深度学习中的分段线性整流函数Relu( rectified linear units)作为神经元激活函数,自适应矩估计Adam ( adaptive momen...针对误差逆向传播 BP ( back propagation)神经网络在 GNSS 水准拟合中存在梯度消失、陷于局部最小点的问题,通过使用深度学习中的分段线性整流函数Relu( rectified linear units)作为神经元激活函数,自适应矩估计Adam ( adaptive moment estimation)算法作为网络优化函数,提出了一种基于深度学习的 BP 神经网络模型。研究结果表明:改进后的 BP 神经网络内外符合精度分别提高近 50%和 25%,可达 0. 9 cm 和 2. 4 cm,为 GNSS 水准拟合提供了新的思路。展开更多
文摘针对误差逆向传播 BP ( back propagation)神经网络在 GNSS 水准拟合中存在梯度消失、陷于局部最小点的问题,通过使用深度学习中的分段线性整流函数Relu( rectified linear units)作为神经元激活函数,自适应矩估计Adam ( adaptive moment estimation)算法作为网络优化函数,提出了一种基于深度学习的 BP 神经网络模型。研究结果表明:改进后的 BP 神经网络内外符合精度分别提高近 50%和 25%,可达 0. 9 cm 和 2. 4 cm,为 GNSS 水准拟合提供了新的思路。