[发明专利]坐标转换方法、装置、计算机设备及存储介质

说明书

本申请提供了一种坐标转换方法、装置、计算机设备及存储介质，属于人工神经网络技术领域。该方法包括：获取勘探物在原坐标系下的初始坐标集合；对初始坐标集合进行平移处理、归一化处理，得到归一化坐标集合，将归一化坐标集合输入人工神经网络坐标转换模型，得到输出坐标集合；对输出坐标集合进行逆归一化处理，逆坐标差处理、逆旋转处理、逆缩放处理、逆平移处理，得到勘探物在目标坐标系下的目标坐标集合。本发明提高了人工神经网络转换坐标的精度。

技术领域

本申请涉及人工神经网络技术领域，特别涉及一种坐标转换方法、装置、计算机设备及存储介质。

背景技术

在石油勘探开发工作中经常需要进行各种形式的坐标转换工作，可能是不同坐标系之间的坐标转换，也可能是同一坐标系下的坐标转换。不同坐标系之间的转换如：1954北京坐标系、1980西安坐标系、2000国家大地坐标系、WGS-84坐标系等之间的坐标相互转换。同一坐标系之间的转换如：1954北京坐标系下的3度带和6度带之间的转换，WGS-84坐标系下的1.5度带与3度带之间的转换等。

相关技术中，通过人工神经网络进行坐标转换，具体步骤为：首先，确定人工神经网络模型，包括神经网络结构、神经元数量、激活函数等。然后，建立人工神经网络学习规则，利用已知坐标数据训练人工神经网络。最后，利用训练好的人工神经网络进行坐标转换工作，即向人工神经网络输入转换前坐标，人工神经网络计算得到转换后坐标。神经网络训练数据集由输入坐标数据集和输出坐标数据集(也称目标数据集)组成，一般情况下输入坐标数据集属于转换前的坐标系，输出坐标数据集属于转换后的坐标系。

但是，在人工神经网络模型转换坐标的具体应用中，存在转换误差较大的问题，相关文献报道的最大误差有几十公里。转换误差大的主要原因如下：虽然人工神经网络模型在理论上可以任意精度逼近任何非线性函数，但是人工神经网络模型容易陷入局部极小值，很难到达全局最小值；也就是说，当人工神经网络模型拟合某个非线性函数时，很难做到没有误差，一般情况下都会有一个较小的误差。而国家坐标系或者全球坐标系的高斯平面直角坐标数据的绝对值很大，一般有6-8个整数位，即使人工神经网络模型转换坐标的相对误差较小，如万分之一，但是坐标转换的绝对误差也可能达到数万米之多，因此坐标转换误差达到几十公里也就可以理解了。由此可知，通过上述相关技术得到的转换后坐标的误差大。

发明内容

本申请实施例提供了一种坐标转换方法、装置、计算机设备及存储介质，可以提高转换坐标的精度。所述技术方案如下：

一方面，本申请提供了一种坐标的转换方法，所述方法包括：

获取勘探物在原坐标系下的初始坐标集合，所述初始坐标集合包括至少一个初始坐标，每个初始坐标包括一个初始横坐标和一个初始纵坐标；

对所述初始坐标集合进行平移处理，得到降低数量级后的第一坐标集合；

对所述第一坐标集合进行归一化处理，得到归一化坐标集合，将所述归一化坐标集合输入人工神经网络坐标转换模型，得到输出坐标集合；

对所述输出坐标集合进行逆归一化处理，得到逆归一化坐标集合；

对所述逆归一化坐标集合进行逆坐标差处理，得到第二坐标集合；

对所述第二坐标集合进行逆旋转处理，得到逆旋转坐标集合；

对所述逆旋转坐标集合进行逆缩放处理，得到逆缩放坐标集合；

对所述逆缩放坐标集合进行逆平移处理，得到所述勘探物在目标坐标系下的目标坐标集合。

在一种可能的实现方式中，所述对所述初始坐标集合进行平移处理，得到降低数量级后的第一坐标集合，包括：

确定平移参数；

根据所述平移参数，对所述初始坐标集合中的每个初始坐标进行平移处理，得到降低数量级后的第一坐标集合。