| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究目的及意义 | 第9-10页 |
| 1.2 国内外研究状况与发展趋势 | 第10-13页 |
| 1.2.1 高程转换现状 | 第10-12页 |
| 1.2.2 GPS 高程转换发展趋势 | 第12-13页 |
| 1.3 主要研究内容与采用的技术路线 | 第13-15页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 技术路线 | 第14-15页 |
| 1.4 论文结构安排 | 第15-16页 |
| 第2章 GPS 高程拟合基本原理 | 第16-30页 |
| 2.1 概述 | 第16-17页 |
| 2.1.1 几何解析方法 | 第16页 |
| 2.1.2 物理大地测量方法 | 第16-17页 |
| 2.1.3 神经网络方法 | 第17页 |
| 2.2 高程拟合方法简介 | 第17-29页 |
| 2.2.1 等值线图示法 | 第17-18页 |
| 2.2.2 加权平均法 | 第18页 |
| 2.2.3 多面函数曲面拟合法 | 第18-20页 |
| 2.2.4 二次曲面拟合法 | 第20-21页 |
| 2.2.5 移动曲面法 | 第21-22页 |
| 2.2.6 薄板小挠度变形模型拟合法 | 第22页 |
| 2.2.7 样条函数法 | 第22-23页 |
| 2.2.8 最小二乘配置法 | 第23-25页 |
| 2.2.9 抗差拟合法 | 第25-26页 |
| 2.2.10 克里格插值拟合法 | 第26-27页 |
| 2.2.11 移去、拟合、恢复法 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 人工神经网络的基本原理 | 第30-48页 |
| 3.1 引言 | 第30-31页 |
| 3.2 人工神经网络概述 | 第31-38页 |
| 3.2.1 人工神经网络的发展史 | 第31-32页 |
| 3.2.2 人工神经网络系统 | 第32页 |
| 3.2.3 简化的神经元数学模型 | 第32-33页 |
| 3.2.4 人工神经网络的学习规则 | 第33-37页 |
| 3.2.5 人工神经网络的主要特点 | 第37-38页 |
| 3.3 BP 神经网络基本原理 | 第38-43页 |
| 3.3.1 BP 神经网络概述 | 第38-39页 |
| 3.3.2 BP 学习算法 | 第39-43页 |
| 3.4 RBF 神经网络基本原理 | 第43-47页 |
| 3.4.1 径向基神经网络结构 | 第43-44页 |
| 3.4.2 径向基函数 | 第44-45页 |
| 3.4.3 径向基层的工作原理 | 第45-46页 |
| 3.4.4 径向基网络的训练 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 GPS 高程拟合程序设计与实现 | 第48-59页 |
| 4.1 基于 BP 神经网络的 GPS 高程拟合程序设计 | 第49-50页 |
| 4.2 基于 BP 神经网络的 GPS 高程拟合程序实现 | 第50-51页 |
| 4.3 测区重心化法与 BP 神经网络的组合方法程序设计 | 第51页 |
| 4.4 测区重心化法与 BP 神经网络的组合方法程序实现 | 第51-55页 |
| 4.5 基于 RBF 神经网络的高程拟合程序设计 | 第55-57页 |
| 4.6 基于 RBF 神经网络的高程拟合程序实现 | 第57-58页 |
| 4.7 本章小结 | 第58-59页 |
| 第5章 GPS 高程拟合程序的应用 | 第59-70页 |
| 5.1 数据预处理 | 第59页 |
| 5.2 GPS 高程拟合程序应用 | 第59-68页 |
| 5.2.1 基于 BP 神经网络的 GPS 高程拟合程序应用 | 第59-65页 |
| 5.2.2 测区重心化法与 BP 神经网络的组合方法程序应用 | 第65-66页 |
| 5.2.3 基于 RBF 神经网络的高程拟合程序应用 | 第66-68页 |
| 5.3 本章小结 | 第68-70页 |
| 结论及展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 攻读学位期间取得的研究成果 | 第76-77页 |
| 致谢 | 第77页 |
