[发明专利]一种基于CGBP算法的深度基准面拟合方法

权利要求书

1.一种基于CGBP算法的深度基准面拟合方法，其特征在于，包括以下步骤：

步骤A，确定网络结构，确定网络层数、节点数与传递函数；

步骤B，采用基于Fletcher-Reeves共轭梯度算法对网络进行训练；

步骤C，对网络性能进行测试。

2.根据权利要求1所述的一种基于CGBP算法的深度基准面拟合方法，其特征在于，步骤A具体包括：

步骤A1，提取验潮站的平面坐标(x,y)作为输入因子，深度基准面值为输出因子，为了实现基于神经网络的深度基准面拟合的数学模型表达为：

L＝f(x,y) (1)

神经网络结构模型的输入层取两个神经元，输出层取一个神经元，则神经网络结构模型为2×M×1，其中M的经验取值为：

式中M为隐层节点数；n_i为输入节点数；n₀为输出节点数；a为1～10之间的常数；

步骤A2，隐层激活函数采用双曲正切S型函数作为传递函数，传递函数的数学表达式为：

式中，net1为隐层神经元的输入加权和；

输出层采用线性传递函数，线性传递函数的数学表达式为：

S₂(net2)＝net2 (4)

式中，net2为输出层的输入加权和。

3.根据权利要求1所述的一种基于CGBP算法的深度基准面拟合方法，其特征在于，步骤B具体包括：

步骤B1，正向传播阶段：输入已知学习样本，通过步骤A设置的网络结构和前一次迭代的权值和阈值，从网络第一层向后计算各神经元的输出；

步骤B2，反向传播阶段：对权值和阈值进行修改，从最后一层向前计算各权值和阈值对总误差的影响，据此对各权值和阈值进行修改；

步骤B1的正向传播过程和步骤B2的反向传播过程反复交替，直到收敛为止。

4.根据权利要求3所述的一种基于CGBP算法的深度基准面拟合方法，其特征在于，步骤B1具体包括：

步骤B11：初始化网络，对每个连接的阈值和权值分别赋予区间(-1,1)的随机数；

步骤B12：输入学习样本：

T_i＝L_i (6)

式中，P_2i为各验潮站的平面坐标，x_i为第i个验潮站的横轴坐标；y_i为第i个验潮站的纵轴坐标；T_i为网络的期望输出；L_i为各验潮站对应的深度基准面值。