| 摘要 | 第1-6页 |
| ABSTRACT | 第6-14页 |
| 第一章 前言 | 第14-25页 |
| ·本研究的目的与意义 | 第14-15页 |
| ·国内外大气折射误差修正的基本水平 | 第15-17页 |
| ·大气折射对光电测量量的影响 | 第15-16页 |
| ·大气折射误差修正的国外水平 | 第16页 |
| ·大气折射误差修正的国内水平 | 第16-17页 |
| ·国内外在该方向的研究状况分析 | 第17-22页 |
| ·大气折射误差的客观性与精确修正的复杂性 | 第17页 |
| ·光电气候学 | 第17-18页 |
| ·大气结构的分层高度 | 第18页 |
| ·对流层大气模型及折射指数的研究 | 第18页 |
| ·电离层大气模型及折射指数的研究 | 第18-19页 |
| ·大气折射误差的修正方法 | 第19页 |
| ·大气折射误差的映射函数修正 | 第19-20页 |
| ·大气折光修正 | 第20页 |
| ·大气折射误差的神经网络建模修正 | 第20-21页 |
| ·制约大气折射误差修正精度提高的主客观因素 | 第21-22页 |
| ·直接测量或削弱大气折射误差的新方法 | 第22页 |
| ·本研究的主要内容与研究方法 | 第22-25页 |
| 第二章 大气折射误差的映射函数修正研究 | 第25-48页 |
| ·基本思想 | 第25页 |
| ·光电信号大气折射指数积分函数的时空复杂性 | 第25-34页 |
| ·大气折射指数函数的基本物理参数 | 第25-26页 |
| ·研究大气折射指数的一般方法 | 第26页 |
| ·麦克斯韦电磁波传播原理 | 第26-27页 |
| ·光电信号在大气中传播时与折射指数的关系 | 第27-30页 |
| ·大气折射研究的几何方法 | 第30-32页 |
| ·大气折射误差修正积分函数的建立方法 | 第32-34页 |
| ·地球大气分布及其运动特征 | 第34-36页 |
| ·对流层大气分布及其运动特征 | 第34-35页 |
| ·平流层大气分布及其运动特征 | 第35页 |
| ·电离层大气分布及其运动特征 | 第35-36页 |
| ·大气模型分析 | 第36-38页 |
| ·标准大气模型 | 第36-37页 |
| ·霍普菲尔德大气模型 | 第37-38页 |
| ·Saastamoinen大气模型 | 第38页 |
| ·指数大气模型 | 第38页 |
| ·大气折射误差的映射函数修正 | 第38-45页 |
| ·映射函数概述 | 第39-40页 |
| ·映射函数建模相关的几个基本定义 | 第40页 |
| ·Chao连分式映射函数雏形 | 第40-41页 |
| ·Marini连分式映射函数 | 第41页 |
| ·Davis连分式映射函数(CfA2.2) | 第41-42页 |
| ·Herring连分式映射函数(MTT) | 第42页 |
| ·UNSW931连分式映射函数 | 第42-43页 |
| ·Hopfiled映射函数 | 第43页 |
| ·Saastamoinen映射函数 | 第43页 |
| ·指数形式映射函数 | 第43-44页 |
| ·不同映射函数修正精度分析 | 第44-45页 |
| ·有限距离大气折光的映射函数修正 | 第45-47页 |
| ·光波段映射函数FCULa与FCULb | 第45-46页 |
| ·光波段连分式映射函数 | 第46页 |
| ·修正精度分析 | 第46-47页 |
| ·映射函数修正残差较大的原因分析 | 第47页 |
| ·本章小结 | 第47-48页 |
| 第三章 神经网络研究进展及其MATLAB工具箱使用研究 | 第48-72页 |
| ·基本思想 | 第48页 |
| ·神经网络概述 | 第48-56页 |
| ·神经网络基本原理 | 第49页 |
| ·神经网络基本模型 | 第49-50页 |
| ·神经网络基本学习方法 | 第50-51页 |
| ·神经网络基本性质 | 第51-52页 |
| ·神经元基本要素 | 第52-54页 |
| ·神经网络的拓扑结构 | 第54-56页 |
| ·神经网络类型与算法原理概述 | 第56-64页 |
| ·前馈误差反向传播网络及算法 | 第56-58页 |
| ·数据群处理方法(GMDH)网络及算法 | 第58-59页 |
| ·自适应谐振理论(ART)网络及算法 | 第59-61页 |
| ·学习矢量量化(LVQ)网络及算法 | 第61-62页 |
| ·Kohonen自组织特征映射网络 | 第62-63页 |
| ·Hopfield网络及算法 | 第63-64页 |
| ·Elman和Jordan网络及算法 | 第64页 |
| ·MATLAB神经网络工具箱及相关函数的使用方法 | 第64-69页 |
| ·神经网络设计相关函数概述 | 第65-67页 |
| ·数据预处理函数概述 | 第67-68页 |
| ·训练数据的导入方法 | 第68页 |
| ·BP神经网络建模步骤 | 第68-69页 |
| ·正弦函数的BPNN建模与仿真分析 | 第69-71页 |
| ·本章小结 | 第71-72页 |
| 第四章 大气折射误差神经网络建模修正的可行性研究 | 第72-80页 |
| ·基本思想 | 第72页 |
| ·映射函数的基本形式 | 第72-73页 |
| ·基于数学概念上的一般化处理 | 第73-74页 |
| ·映射函数与神经网络建模的优缺点分析 | 第74-76页 |
| ·映射函数建模的优点分析 | 第74-75页 |
| ·映射函数建模的缺点分析 | 第75页 |
| ·神经网络建模的优点分析 | 第75页 |
| ·神经网络建模的缺点分析 | 第75-76页 |
| ·函数的神经网络变换理论 | 第76页 |
| ·连分式映射函数的BPNN变换 | 第76-77页 |
| ·映射函数与神经网络的建模和拟合精度比较 | 第77-79页 |
| ·普尔科沃大气折射表的映射函数建模与拟合 | 第77-79页 |
| ·普尔科沃大气折射表的神经网络建模与拟合 | 第79页 |
| ·拟合比较分析 | 第79页 |
| ·本章小结 | 第79-80页 |
| 第五章 光电测距误差的控制分离及气象参数测定误差的影响 | 第80-90页 |
| ·基本思想 | 第80页 |
| ·光电测距仪物理特征溯源与量传 | 第80-83页 |
| ·相位式光电测距原理 | 第81页 |
| ·光电测距仪的乘常数、加常数 | 第81-82页 |
| ·气象改正数 | 第82页 |
| ·光电测距仪的误差构成和规律 | 第82-83页 |
| ·光电测距系统误差的控制与估计 | 第83-85页 |
| ·光电测距仪的全室内检测的主要特点 | 第83页 |
| ·光电测距仪的全室内检测项目 | 第83-84页 |
| ·光电测距仪的全室内检测方法 | 第84-85页 |
| ·光电测距仪全室内检测对基线量值传递的误差分析 | 第85-86页 |
| ·气象参数测定误差对大气折射误差修正精度的影响 | 第86-89页 |
| ·光电测距仪气象修正公式与气象参数的关系 | 第86-88页 |
| ·气象参数测量误差对修正精度的影响分析 | 第88-89页 |
| ·本章小结 | 第89-90页 |
| 第六章 数据预处理提高神经网络建模效率的研究 | 第90-100页 |
| ·基本思想 | 第90页 |
| ·样本预处理的现状 | 第90-91页 |
| ·样本预处理与矩阵权值学习的等价证明 | 第91-93页 |
| ·基于线性化多输入单输出网络的证明 | 第91-92页 |
| ·基于状态方程的证明及一般化 | 第92-93页 |
| ·二种优化的学习算法 | 第93-95页 |
| ·模拟退火算法 | 第94页 |
| ·遗传算法 | 第94-95页 |
| ·实例建模比较 | 第95-99页 |
| ·大气折光系数及中误差的计算方法 | 第95页 |
| ·精度分析 | 第95-96页 |
| ·学习算法对神经网络建模效率的影响分析 | 第96-97页 |
| ·样本预处理对神经网络建模效率的影响分析 | 第97-99页 |
| ·本章小结 | 第99-100页 |
| 第七章 基线神经网络提高大气折射误差修正精度的研究 | 第100-113页 |
| ·基本思想 | 第100-101页 |
| ·近地反常大气折射的动力学分析 | 第101页 |
| ·近地反常大气折射的变化特征 | 第101-104页 |
| ·时间特征 | 第101-102页 |
| ·气候特征 | 第102-103页 |
| ·高度特征 | 第103页 |
| ·地表特征 | 第103-104页 |
| ·均值特征 | 第104页 |
| ·传统反常大气折射修正残差分析 | 第104-106页 |
| ·基于基线参量的BPNN建模修正 | 第106-110页 |
| ·基线大气折射误差的分离方法 | 第106-107页 |
| ·模型选取分析 | 第107页 |
| ·训练样本的构造方法 | 第107页 |
| ·数据预处理 | 第107页 |
| ·网络拓扑结构的建立 | 第107-108页 |
| ·模型检验 | 第108页 |
| ·提高网络泛化性能的方法 | 第108页 |
| ·基线BPNN模型推广的一致性检验 | 第108-110页 |
| ·基线实例建模检验与修正分析 | 第110-112页 |
| ·本章小结 | 第112-113页 |
| 第八章 基线神经网络模型在百龙天梯变形监测中的应用 | 第113-127页 |
| ·基本思想 | 第113页 |
| ·百龙天梯简介 | 第113页 |
| ·百龙天梯空间几何变形监测概述 | 第113-117页 |
| ·TCA2003高精度全站仪 | 第114页 |
| ·SMDAMS高精度变形监测系统 | 第114-115页 |
| ·测站与测点的布设 | 第115-117页 |
| ·不同修正方法对基线与测线的大气折射误差修正 | 第117-121页 |
| ·基线与测线实时原始信息 | 第117-119页 |
| ·周日观测均差修正 | 第119页 |
| ·基线邻比差分实时修正 | 第119-120页 |
| ·气象公式修正实时修正 | 第120页 |
| ·基线神经网络实时修正 | 第120-121页 |
| ·原始数据与误差修正及变形分析 | 第121-126页 |
| ·原始数据分析 | 第121-123页 |
| ·误差修正及变形分析 | 第123-126页 |
| ·本章小结 | 第126-127页 |
| 第九章 神经网络隐层挖掘大气折射高阶信息的因果论证 | 第127-134页 |
| ·基本思想 | 第127页 |
| ·映射函数与神经网络挖掘大气折射高阶信息的方法与效果 | 第127-130页 |
| ·映射函数建模挖掘大气折射高阶信息的基本方法 | 第127-128页 |
| ·连分式映射函数的一般形式及建模 | 第128页 |
| ·基于普尔科沃大气折射表的高阶分式映射函数建模与拟合 | 第128-129页 |
| ·基于普尔科沃大气折射表的高阶BPNN建模与拟合 | 第129-130页 |
| ·拟合结果论证分析 | 第130页 |
| ·神经网络隐层挖掘高阶信息的数学证明 | 第130-133页 |
| ·单层神经网络非线性映射的局限性 | 第130-132页 |
| ·高阶输入单层神经网络与隐层神经网络的等价证明 | 第132-133页 |
| ·本章小结 | 第133-134页 |
| 第十章 总结与展望 | 第134-138页 |
| ·总结 | 第134-135页 |
| ·展望 | 第135-138页 |
| 参考文献 | 第138-152页 |
| 附录1 | 第152-154页 |
| 附录2 | 第154-159页 |
| 附录3 | 第159-163页 |
| 感谢 | 第163-164页 |
| 攻读学位期间主要的研究成果 | 第164页 |
