《表4 本文方法拟合结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于K-means和SVM的分段GPS高程拟合方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

单位:m

表3和表4分别给出了采用传统BP神经网络高程拟合方法和本文所提方法的拟合结果。从表3可以看出，采用BP神经网络用于每个子集的GPS高程拟合时，对子集中的训练样本的残差和内符合精度都接近于0，但是测试集残差和外符合精度却较大，并且随着训练样本数的减少，外符合精度越来越大，即拟合精度越来越差。这是由于BP神经网络采用经验风险最小化准则造成的“过匹配”问题，导致其泛化推广能力存在缺陷。而对于采用全体数据的方案C而言，训练集残差和测试集残差都大于按子集划分的拟合方案，究其原因在于虽然方案C中训练样本数远多于其他方案，但是由于GPS数据高程异常分布差别较大，参数选择时很难兼顾拟合精度和泛化推广能力。