基于粒子群优化算法的 LS-SVM的 GPS 高程拟合OA北大核心CSTPCD
GPS height fitting based on PSO optimizing LS-SVM
在 GPS 高程拟合中，传统拟合方法存在多数据、过学习、泛化能力弱等缺点，导致拟合结果精度欠缺，为此提出了 LS-SVM拟合模型。利用粒子群算法对 LS-SVM模型的初始参数进行了优化，通过实测数据对该模型进行了分析。实验结果表明，基于粒子群算法优化的 LS-SVM模型较传统单一的二次曲面拟合法、BP 神经网络、LS-SVM等模型拟合精度高。
In traditional fitting methods there are many shortcomings,such as “multi data,over learning,weak generalization ability”,with less accuracy of fitting results.A method is presented to establish a least squares support vector machine model based on particle swarm optimization algorithm.Through the experimental data accuracy of the analysis to the model,compared with the traditional single model of quadric surface fitting meth-od,the BP neural network,the LS-…查看全部>>
高红;鸿雁;聂光裕;杨志;韩亚坤
桂林理工大学 广西空间信息与测绘重点实验室，广西 桂林 541004 桂林理工大学 测绘地理信息学院，广西 桂林 541004 桂林理工大学 广西矿冶与环境科学实验中心，广西 桂林 541004桂林理工大学 广西空间信息与测绘重点实验室，广西 桂林 541004 桂林理工大学 测绘地理信息学院，广西 桂林 541004
测绘与仪器
粒子群优化算法LS-SVMBP 神经网络二次曲面拟合法高程拟合
particle swarm optimization(PSO)LS-SVMBP neural networkquadric surface fittingheight fitting
《桂林理工大学学报》 2016 (2)
300-303,4
国家自然科学基金项目（41461089）；广西自然科学基金项目（2014GXNSFAA118288）；广西“八桂学者”岗位专项经费项目；广西空间信息与测绘重点实验室项目（桂科能151400702；140452402；15－140－07－32）；广西矿冶与环境科学实验中心项目（KH2012ZD004）
评论