卷积神经网络GPS坐标转换方法

详细信息    查看全文 | 推荐本文 |

英文篇名：GPS coordinates transformation based on convolutional neural network 作者：崔方 ; 赵庶旭 英文作者：CUI Fang;ZHAO Shuxu;School of Electronic and Information Engineering,Lanzhou Jiaotong University; 关键词：深度学习 ; 神经网络 ; 卷积神经网络 ; 坐标转换 ; 全球定位系统 英文关键词：deep learning;;neural networks;;convolutional neural networks;;coordinate transformation;;GPS 中文刊名：CHTB 英文刊名：Bulletin of Surveying and Mapping 机构：兰州交通大学电子与信息工程学院; 出版日期：2019-03-25 出版单位：测绘通报 年：2019 期：No.504 基金：甘肃省科技支撑计划基金(1504GKCA018) 语种：中文; 页：CHTB201903001 页数：5 CN：03 ISSN：11-2246/P 分类号：5-9

摘要

GPS坐标转换方法对于GPS空间定位系统至关重要。目前已有很多方法被提出用于转换GPS坐标,但效果并不是很显著。究其原因,是因为大多数都存在模型误差和投影误差。针对目前方法的不足,本文利用深度学习对非结构化数据处理的优势,提出了一种基于卷积神经网络(CNN)的GPS坐标转换方法。该方法将GPS数据转化为非结构化图片数据,以其作为CNN的输入层来训练GPS坐标转换模型,这样能够最小化满足对数据的预处理要求,无监督地从数据中学习出有效特征。试验结果表明,该方法与传统坐标转换方法相比,具有更高的转换精度。
        The GPS coordinate conversion method is crucial for GPS space location system. In the past,many methods have been proposed to convert GPS coordinates,but the effect is not very significant. The reason is that most of the models have model errors and projection errors. In view of the shortcomings of the current methods,this paper proposes a GPS coordinate transformation based on convolution neural network( CNN) by using the advantages of deep learning on unstructured data processing method. This method transforms GPS data into unstructured image data and uses these unstructured image data as the input layer of CNN to train the GPS coordinate transformation model so as to minimize the requirement of data preprocessing and to learn from the data without supervision out of effective features. Experimental results show that this method has higher conversion accuracy than the traditional coordinate transformation method.

引文

[1]宋雷,胡伍生.基于神经网络坐标差学习的GPS坐标转换[J].测绘通报,2012(S1):29-31,35.
    [2]姜卫平,马强,刘鸿飞. CORS系统中坐标移动转换方法及应用[J].武汉大学学报(信息科学版),2008,33(8):775-778.
    [3]王瑞杰,焦志刚,柔皓,等. GPS坐标转换参数的测定[J].内蒙古林业调查设计,2003,26(2):54-55.
    [4]吴兆福,高飞,宫鹏.基于BP神经网络的GPS坐标转换[J].工程勘察,2004(4):58-59.
    [5]韩敏,田雪.基于神经网络的GPS坐标转换方法研究[J].大连理工大学学报,2005,45(4):603-606.
    [6]宋雷,黄腾,方剑,等.基于贝叶斯正则化BP神经网络的GPS高程转换[J].西南交通大学学报,2008,43(6):724-728.
    [7]孙志军,薛磊,许阳明,等.深度学习研究综述[J].计算机应用研究,2012,29(8):2806-2810.
    [8]常亮,邓小明,周明全,等.图像理解中的卷积神经网络[J].自动化学报,2016,42(9):1300-1312.
    [9]周飞燕,金林鹏,董军.卷积神经网络研究综述[J].计算机学报,2017,40(6):1229-1251.
    [10]李彦冬,郝宗波,雷航.卷积神经网络研究综述[J].计算机应用,2016,36(9):2508-2515,2565.
    [11]李飞腾.卷积神经网络及其应用[D].大连:大连理工大学,2014.
    [12]张效荣.基于卷积神经网络的深度学习算法与应用研究[D].西安:西安电子科技大学,2015.
    [13]胡伍生,华锡生,鲍兴南.转换GPS高程的神经网络模型试验研究[J].测绘工程,2002,11(3):51-56.
    [14]陈先昌.基于卷积神经网络的深度学习算法与应用研究[D].杭州:浙江工商大学,2014.
    [15]顾佳玲.基于卷积神经网络及协方差特征的人脸检测方法[D].南京:南京工业大学,2008.