技术摘要：
本申请公开了一种贝叶斯正则化反向传播神经网络坐标转换方法及装置，用以解决坐标转换过程中，整个区域采用一套坐标转换参数会使局部区域在坐标转换中损失精度，影响转换后的坐标的准确性的问题。该方法确定控制点的2000国家大地坐标系平面坐标与工程独立坐标系平面坐  全部
背景技术：
实时动态定位技术(Real-time  Kinematic，RTK)是基于GPS载波相位观测值的差 分定位技术，可提供厘米级、实时化的定位方式，具有广泛的应用范围。 在工程应用中，基于RTK技术获得的大地坐标，经过高斯投影可获得2000国家大地 坐标系(CGCS2000)坐标，以应用在工程建设中。但在很多重大工程中，为了避免高斯投影变 形带来的误差，通常会将国家大地坐标系坐标转换为工程实际应用的工程独立坐标。 常用的坐标转换方法有用于三维坐标转换的七参数模型法和用于平面坐标转换 的四参数模型法。在上述坐标转换方法中，需要先求取坐标转换参数，再根据坐标转换参数 进行坐标转换。 但是，在坐标转换过程中，较大的区域内，各局部区域之间公共点的坐标精度存在 差异，整个区域采用一套坐标转换参数会使局部区域在坐标转换中损失精度，影响转换后 的坐标的准确性。
技术实现要素：
本申请实施例提供一种贝叶斯正则化反向传播神经网络坐标转换方法及装置，用 以解决坐标转换过程中，整个区域采用一套坐标转换参数会使局部区域在坐标转换中损失 精度，影响转换后的坐标的准确性的问题。 本申请实施例提供的一种贝叶斯正则化反向传播神经网络坐标转换方法，包括： 确定控制点的2000国家大地坐标系平面坐标与工程独立坐标系平面坐标，创建学 习集； 根据所述学习集与贝叶斯正则化算法，训练神经网络模型，直至所述神经网络模 型的性能指数达到预设值时，确定完成训练； 根据训练完成的神经网络模型，以及待测点的2000国家大地坐标系平面坐标，确 定转换得到的所述待测点的工程独立坐标系平面坐标。 在一个示例中，确定控制点的2000国家大地坐标系平面坐标与工程独立坐标系平 面坐标，创建学习集，包括：计算控制点的2000国家大地坐标系平面坐标与工程独立坐标系 平面坐标之间的坐标差；根据控制点的2000国家大地坐标系平面坐标与所述坐标差，创建 学习集。 在一个示例中，所述神经网络模型为贝叶斯正则化的反向传播神经网络模型，包 括输入转换层、输入层、隐含层、输出层、输出转换层；所述输入转换层，用于将输入神经网 络模型的数据转换为所述隐含层可识别的数据；所述输出转换层，用于将所述输出层输出 的数据转换为与所述学习集中的坐标差相对应的数据。 4 CN 111598235 A 说　明　书 2/6 页 在一个示例中，根据所述学习集，训练神经网络模型，直至所述神经网络模型的性 能指数达到预设值时，确定完成训练，包括：初始化神经网络模型的权值矩阵；根据学习集 中的2000国家大地坐标系平面坐标，确定神经网络模型预测得到的坐标差，作为预测输出 数据；根据学习集中的坐标差与所述预测输出数据之间的差距，采用反向传播算法与贝叶 斯正则化算法，对所述神经网络模型的性能指数中的参数进行调整，并调整所述神经网络 模型的网络规模；重复对所述性能指数以及网络规模进行调整，直至所述神经网络模型的 性能指数达到预设值，确定完成训练。 在一个示例中，所述输出层输出的数据的范围为0.2～0.8。 在一个示例中，所述隐含层采用的激活函数为Log-sigmoid函数。 在一个示例中，所述输出层采用的激活函数为线性函数。 在一个示例中，所述神经网络模型的性能指数为F (w)＝αE w βE D，其中， 表示神经网络所有权值的均方误差，m为神经网络权值的总个数，wj为神经 网络权值； 表示神经网络的均方误差，n为学习集样本总数，tp为第p 组训练的期望输出数据，ap为第p组训练的实际输出数据，α、β为正则化系数。 在一个示例中，确定控制点的2000国家大地坐标，包括：采用RTK技术，确定控制点 的2000国家大地坐标(L，B)；根据高斯投影方法，确定在0.5mm精度下所述控制点的相应 2000国家大地坐标系平面坐标(x，y)。 本申请实施例提供的一种贝叶斯正则化反向传播神经网络坐标转换装置，包括： 创建模块，确定控制点的2000国家大地坐标系平面坐标与工程独立坐标系平面坐 标，创建学习集； 训练模块，根据所述学习集与贝叶斯正则化算法，训练神经网络模型，直至所述神 经网络模型的性能指数达到预设值时，确定完成训练； 确定模块，根据训练完成的神经网络模型，以及待测点的2000国家大地坐标系平 面坐标，确定转换得到的所述待测点的工程独立坐标系平面坐标。 本申请实施例提供一种贝叶斯正则化反向传播神经网络坐标转换方法及装置，至 少包括以下有益效果： 通过神经网络方法对大地平面坐标与工程独立坐标系平面坐标进行坐标转换，不 需要求取统一的区域转换参数。于是，针对较大的工程区域或城市，能够确保各局部区域在 转换坐标的过程中，均以合理的转换方式实现坐标转换，获得准确的工程独立坐标系平面 坐标值。 这样能够避免整个区域采用一套转换参数而导致局部区域在坐标转换中损失精 度的问题，满足工程应用中对坐标转换的需求，同时提高坐标转换的准确性。 并且，本申请采用了贝叶斯正则化算法，根据学习集的样本数目，自动确定隐含层 所需神经元的数目，使得神经元的数目既足以表现学习集样本的特征，又能防止神经网络 出现过拟合现象，对网络权值进行限制，有效改善网络结构，并在一定程度上提高网络的精 度和泛化能力。 5 CN 111598235 A 说　明　书 3/6 页 附图说明 此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申 请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中： 图1为本申请实施例提供的贝叶斯正则化反向传播神经网络坐标转换方法流程 图； 图2为本申请实施例提供的贝叶斯正则化反向传播神经网络模型结构示意图； 图3为本申请实施例提供的贝叶斯正则化反向传播神经网络坐标转换装置结构示 意图。