Nova abordagem para melhorar o desempenho do modelo de translação geocêntrica utilizando tecnologia de redes neurais artificiais
AUTOR(ES)
Ziggah, Yao Yevenyo, Youjian, Hu, Laari, Prosper Basommi, Hui, Zhenyang
FONTE
Bol. Ciênc. Geod.
DATA DE PUBLICAÇÃO
2017-03
RESUMO
Resumo: O modelo de translação geocêntrica (GTM) atualmente não tem sido muito utilizado nas pesquisas de transformação de coordenadas devido a sua exatidão. Uma transformação acurada de coordenadas é um procedimento essencial na maioria dos problemas geodésicos. Entretanto, motivado pelo sucesso na aplicação de técnicas de Inteligência Artificial na Geodésia, este estudo testou e comparou uma nova técnica capaz de aumentar a exatidão do modelo GTM. Inicialmente, o GTM é definido com parâmetros oficiais (OP) e novos parâmetros determinados usando a média aritmética (AM) foram aplicados na transformação de coordenadas do datum global WGS84 para o datum local Accra. Com base nesses resultados, os novos parâmetros da média aritmética (AM) alcançaram um erro posicional horizontal máximo de 1.99m, em comparação com 2.75m alcançado pelos parâmetros oficiais (OP). De maneira similar, a tecnologia de redes neurais artificiais dos modelos BPNN (BackPropagation Neural Network), RBFNN (Radial Basis Function Neural Network) e GRNN (Generalized Regression Neural Network) foram então utilizadas para compensar os erros do modelo GTM com os parâmetros baseados na média aritmética (AM) para se obter um novo modelo de transformação de coordenadas. Os novos modelos implementados apresentaram uma melhora significativa no erro posicional horizontal de 1.99m para 0.93m
ASSUNTO(S)
modelo de translação geocêntrica modelo neural bpnn modelo neural rbfnn modelo neural grnn transformação de coordenadas
Documentos Relacionados
- Um modelo estratégico para a análise de crédito utilizando redes neurais artificiais
- Estimação do volume de árvores utilizando redes neurais artificiais
- Caracterização de imagens utilizando redes neurais artificiais
- Casamento de mapas utilizando redes neurais artificiais paraconsistentes
- Treinamento de redes neurais artificiais através de otimização multi-objetivo: uma nova abordagem para o equilíbrio entre a polarização e a variância