基于机器学习的工程控制网坐标系建立方法及系统

摘要

本发明公开了一种基于机器学习的工程控制网坐标系建立方法，包括以下步骤：建立高精度边长投影变形计算模型；建立优化函数；初始化解空间，在解空间内初始化一组初始解；获取初始解中的所有点坐标并带入优化函数中的优化评价公式，计算各个点坐标的函数值；将各个点坐标的函数值进行对比，获取函数极小值对应的位置坐标，并将该位置坐标标记为初始迭代的最优解；迭代更新工程控制网的所有实时点坐标并计算获取目标最优解位置坐标，将目标最优解位置坐标作为全局最优解位置坐标；判断全局最优解位置坐标是否满足限差要求。本发明还公开了一种基于机器学习的工程控制网坐标系建立系统。本发明具有提高坐标系优化选取的准确性和计算效率。

说明书

技术领域

本发明涉及工程控制网技术领域，具体而言，涉及一种基于机器学习的工程控制网坐标系建立方法及系统。

背景技术

目前，我国工程控制网坐标系为高斯3°带的平面直角坐标系。因此，工程控制网的地面距离观测值必须在统一归算至CGCS2000坐标系的地球椭球上之后，再进一步按照高斯-克吕格投影法则，将其投影到相应的高斯平面上。在这一归算过程中，地面的实测边长先被归算为椭球面大地线的长度，再进一步被投影为高斯平面上对应点之间弦线的长度，共发生两次边长变形，且规范要求这个总变形量对于精密工程不能超过2.5cm/km，对于一般工程不能超过10cm/km。由投影变形分析可知，产生投影变形的因素主要有测区的平均海拔以及测区距离相应3度带中央子午线的距离。为了有效的控制实测边长的长度变形，就需要评估国家统一坐标系的适用程度和范围。当国家统一坐标系无法满足变形限差时，需要考虑建立工程控制网适用的优化坐标系。

改进之前的技术局限性：优化坐标系的思路按照其产生投影变形的来源，可以分为具有抵偿投影面的坐标系，任意带坐标系以及具有抵偿投影面的任意带坐标系。通常，以高等数学中的解析函数极值分析思路，通过上述这三种优化办法总可以解决实测边长的投影变形问题，建立恰当的施工测量控制网平面直角坐标系。但是，所建立的坐标系优化模式具有极大的局限性，即只适用于当前工程施工的位置条件。对于不同区域、不同高程位置的工程，还需要重新根据新工程的地理位置条件，重新分析并选择合理的坐标系优化方法。另一方面，当测区具有多个不同高程的施工作业面，又需要建立空间整体统一的施工控制测量坐标系时，现有的高等数学函数极值法计算优化参数就会出现抵偿投影面参数不唯一的情况，从而限制了解析函数极大值的可解性，提高的工程分析的复杂程度。这类工程通常可见于地下工程，如深部矿山开采的同时还需要在矿山地表建立配套工程设施。以往的坐标系建立算法的适用性不高，此时，为了便于矿山测量的实时性，有必要要建立井上、井下统一的施工控制测量坐标系。

发明内容

为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种基于机器学习的工程控制网坐标系建立方法及系统，提高坐标系优化选取的准确性和计算效率。

本发明的实施例是这样实现的：

第一方面，本发明实施例提供一种基于机器学习的工程控制网坐标系建立方法，一种基于机器学习的工程控制网坐标系建立方法，包括以下步骤：

S1、基于机器学习算法建立高精度边长投影变形计算模型；

S2、建立高精度边长投影变形计算模型的优化函数；

S3、初始化解空间，在解空间内初始化一组初始解；

S4、获取初始解中的所有点坐标，并将所有点坐标带入优化函数中自适应的优化评价公式，计算各个点坐标的函数值；

S5、将各个点坐标的函数值进行对比，获取函数极小值对应的位置坐标，并将该位置坐标标记为初始迭代的最优解；

S6、建立点在解空间内的位置更新算法模型，采用位置更新算法模型更新这组点在解空间的位置坐标，迭代更新工程控制网的所有实时点坐标并计算获取目标最优解位置坐标，将目标最优解位置坐标作为全局最优解位置坐标；

S7、判断全局最优解位置坐标是否满足限差要求，如果是，则迭代停止，输出全局最优解位置坐标结果；如果否，则进入步骤S6，继续迭代更新。

为了提高坐标系统优化选取的准确性和计算效率，针对性的解决现行坐标系优化过程中存在的技术难点，首先，建立高精度的边长投影变形计算模型，以往为了便于解析函数的极值求解，认为的对实测边长归算至椭球面的边长变形计算模型、椭球面大地线到高斯平面的边长投影变形计算模型做了一阶近似。以机器学习算法求解最优值，可以不考虑现有的高等数学极大值定理，采用精度更高的边长投影变形模型；以往利用高等数学中的函数极值原理解算实测变场投影变形极大值，需要对投影变形公式进行简化近似，而利用机器学习算法可以直接利用精密公式进行极大值求解，无疑减小了模型的系统误差。然后，建立优化函数，即机器评价投影变形的数学标准。所谓优化函数，即边长投影变形的总变形量绝对值最小。初始化解空间，解空间根据待定参数的个数，可以是多维的。在解空间内初始化一组初始解，即n维坐标系的点，这些点在n维解空间内的位置，就是一个优化坐标系统的潜在参数解。因此，这组点实际上就是n维解空间内的一组潜在参数解。将所有点坐标带入自适应的优化评价公式，计算其函数值，函数值的大、小直接反映了当前点坐标的优、劣程度。记录其中最优位置，为初始迭代的最优解。建立点在解空间内的位置更新算法模型，采用模型基于当前能够取得的最优解更新这组点在解空间的位置坐标。将所有新一轮的位置坐标带入优化评价公式，计算函数值，并与上一轮最优者进行比较，若本轮最优解优于上一轮，则检查相应解是否满足限差要求，满足则迭代停止，输出结果，不满足则继续更新优化。

本方法通过算法为计算机定义最优合理解的标准，通过计算机自适应算法，在更广阔的解空间内寻找满足要求的最优坐标系参数配比；提高坐标系统优化选取的准确性和计算效率，针对性的解决现行坐标系优化过程中存在的无法对不同区域、不同高程位置的工程，重新根据新工程的地理位置条件，重新分析并选择合理的坐标系统；另一方面，可解决现有的当测区具有多个不同高程的施工作业面，又需要建立空间整体统一的施工控制测量坐标系时，就会出现抵偿投影面参数不唯一的情况，从而限制了解析函数极大值的可解性，提高的工程分析的复杂程度的技术难点。本发明具有提高工程平面控制网坐标系统关键参数优化选取的准确性和计算效率，能够精准选取适用范围更大的实测边长投影变形控制参数。

基于第一方面，在本发明的一些实施例中，步骤S6包括以下步骤：

建立点在解空间内的位置更新算法模型，采用位置更新算法模型更新这组点在解空间的位置坐标；

获取更新后的工程控制网的所有实时点坐标，并将更新后的所有实时点坐标带入自适应的优化评价公式，计算各个实时点坐标的函数值；

将各个实时点坐标的函数值进行对比，获取实时函数极小值对应的位置坐标，并将该位置坐标标记为实时最优解；

将实时最优解与初始迭代的最优解进行对比，生成对比结果；

根据对比结果，获取目标最优解位置坐标，将目标最优解位置坐标作为全局最优解位置坐标。

基于第一方面，在本发明的一些实施例中，上述将实时最优解与初始迭代的最优解进行对比，生成对比结果的方法包括以下步骤：

将实时最优解与初始迭代的最优解进行对比，判断实时最优解是否优于初始迭代的最优解，如果是，则将实时最优解标记为目标最优解，并生成第一对比结果；如果否，则将初始迭代的最优解标记为目标最优解，并生成第二对比结果。

基于第一方面，在本发明的一些实施例中，上述高精度边长投影变形计算模型采用的计算公式为：

基于第一方面，在本发明的一些实施例中，上述优化函数为max{|ΔS|}＝min。

第二方面，本发明实施例提供一种基于机器学习的工程控制网坐标系建立系统，包括模型建立模块、优化函数建立模块、初始化模块、优化评价模块、对比模块、最优解更新模块以及结果输出模块，其中：

模型建立模块，用于基于机器学习算法建立高精度边长投影变形计算模型；

优化函数建立模块，用于建立高精度边长投影变形计算模型的优化函数；

初始化模块，用于初始化解空间，在解空间内初始化一组初始解；

优化评价模块，用于获取初始解中的所有点坐标，并将所有点坐标带入优化函数中自适应的优化评价公式，计算各个点坐标的函数值；

对比模块，用于将各个点坐标的函数值进行对比，获取函数极小值对应的位置坐标，并将该位置坐标标记为初始迭代的最优解；

最优解更新模块，用于建立点在解空间内的位置更新算法模型，采用位置更新算法模型更新这组点在解空间的位置坐标，迭代更新工程控制网的所有实时点坐标并计算获取目标最优解位置坐标，将目标最优解位置坐标作为全局最优解位置坐标；

结果输出模块，用于判断全局最优解位置坐标是否满足限差要求，如果是，则迭代停止，输出全局最优解位置坐标结果；如果否，则最优解更新模块工作，继续迭代更新。

首先，通过模型建立模块建立高精度的边长投影变形计算模型，以往为了便于解析函数的极值求解，认为的对实测边长归算至椭球面的边长变形计算模型、椭球面大地线到高斯平面的边长投影变形计算模型做了一阶近似。以机器学习算法求解最优值，可以不考虑现有的高等数学极大值定理，采用精度更高的边长投影变形模型；以往利用高等数学中的函数极值原理解算实测变场投影变形极大值，需要对投影变形公式进行简化近似，而利用机器学习算法可以直接利用精密公式进行极大值求解，无疑减小了模型的系统误差。然后，通过优化函数建立模块建立优化函数，即机器评价投影变形的数学标准。所谓优化函数，即边长投影变形的总变形量绝对值最小。然后通过初始化模块初始化解空间，解空间根据待定参数的个数，可以是多维的。在解空间内初始化一组初始解，即n维坐标系的点，这些点在n维解空间内的位置，就是一个优化坐标系统的潜在参数解。因此，这组点实际上就是n维解空间内的一组潜在参数解。通过优化评价模块将所有点坐标带入自适应的优化评价公式，计算其函数值，函数值的大、小直接反映了当前点坐标的优、劣程度，通过对比模块将各个点坐标的函数值进行对比，记录其中最优位置，为初始迭代的最优解。通过最优解更新模块建立点在解空间内的位置更新算法模型，采用模型基于当前能够取得的最优解更新这组点在解空间的位置坐标。将所有新一轮的位置坐标带入优化评价公式，计算函数值，并与上一轮最优者进行比较，若本轮最优解优于上一轮，则通过结果输出模块检查相应解是否满足限差要求，满足则迭代停止，输出结果，不满足则继续更新优化。

本系统通过算法为计算机定义最优合理解的标准，通过计算机自适应算法，在更广阔的解空间内寻找满足要求的最优坐标系参数配比；提高坐标系统优化选取的准确性和计算效率，针对性的解决现行坐标系优化过程中存在的无法对不同区域、不同高程位置的工程，重新根据新工程的地理位置条件，重新分析并选择合理的坐标系统；另一方面，可解决现有的当测区具有多个不同高程的施工作业面，又需要建立空间整体统一的施工控制测量坐标系时，就会出现抵偿投影面参数不唯一的情况，从而限制了解析函数极大值的可解性，提高的工程分析的复杂程度的技术难点。

基于第二方面，在本发明的一些实施例中，上述最优解更新模块包括更新模型子模块、实时计算子模块、最优解子模块、更新对比子模块以及最优目标子模块，其中：

更新模型子模块，用于建立点在解空间内的位置更新算法模型，采用位置更新算法模型更新这组点在解空间的位置坐标；

实时计算子模块，用于获取更新后的工程控制网的所有实时点坐标，并将更新后的所有实时点坐标带入自适应的优化评价公式，计算各个实时点坐标的函数值；

最优解子模块，用于将各个实时点坐标的函数值进行对比，获取实时函数极小值对应的位置坐标，并将该位置坐标标记为实时最优解；

更新对比子模块，用于将实时最优解与初始迭代的最优解进行对比，生成对比结果；

最优目标子模块，用于根据对比结果，获取目标最优解位置坐标，将目标最优解位置坐标作为全局最优解位置坐标。

基于第二方面，在本发明的一些实施例中，上述更新对比子模块包括判断单元，用于将实时最优解与初始迭代的最优解进行对比，判断实时最优解是否优于初始迭代的最优解，如果是，则将实时最优解标记为目标最优解，并生成第一对比结果；如果否，则将初始迭代的最优解标记为目标最优解，并生成第二对比结果。

基于第二方面，在本发明的一些实施例中，上述高精度边长投影变形计算模型采用的计算公式为：

基于第二方面，在本发明的一些实施例中，上述优化函数为max{|ΔS|}＝min。

本发明实施例至少具有如下优点或有益效果：

本发明提供一种基于机器学习的工程控制网坐标系建立方法，为了提高坐标系统优化选取的准确性和计算效率，针对性的解决现行坐标系优化过程中存在的技术难点，首先，建立高精度的边长投影变形计算模型，以往为了便于解析函数的极值求解，认为的对实测边长归算至椭球面的边长变形计算模型、椭球面大地线到高斯平面的边长投影变形计算模型做了一阶近似。以机器学习算法求解最优值，可以不考虑现有的高等数学极大值定理，采用精度更高的边长投影变形模型；以往利用高等数学中的函数极值原理解算实测变场投影变形极大值，需要对投影变形公式进行简化近似，而利用机器学习算法可以直接利用精密公式进行极大值求解，无疑减小了模型的系统误差。然后，建立优化函数，即机器评价投影变形的数学标准。所谓优化函数，即边长投影变形的总变形量绝对值最小。初始化解空间，解空间根据待定参数的个数，可以是多维的。在解空间内初始化一组初始解，即n维坐标系的点，这些点在n维解空间内的位置，就是一个优化坐标系统的潜在参数解。因此，这组点实际上就是n维解空间内的一组潜在参数解。将所有点坐标带入自适应的优化评价公式，计算其函数值，函数值的大、小直接反映了当前点坐标的优、劣程度。记录其中最优位置，为初始迭代的最优解。建立点在解空间内的位置更新算法模型，采用模型基于当前能够取得的最优解更新这组点在解空间的位置坐标。将所有新一轮的位置坐标带入优化评价公式，计算函数值，并与上一轮最优者进行比较，若本轮最优解优于上一轮，则检查相应解是否满足限差要求，满足则迭代停止，输出结果，不满足则继续更新优化。本方法通过算法为计算机定义最优合理解的标准，通过计算机自适应算法，在更广阔的解空间内寻找满足要求的最优坐标系参数配比；提高坐标系统优化选取的准确性和计算效率，针对性的解决现行坐标系优化过程中存在的无法对不同区域、不同高程位置的工程，重新根据新工程的地理位置条件，重新分析并选择合理的坐标系统；另一方面，可解决现有的当测区具有多个不同高程的施工作业面，又需要建立空间整体统一的施工控制测量坐标系时，就会出现抵偿投影面参数不唯一的情况，从而限制了解析函数极大值的可解性，提高的工程分析的复杂程度的技术难点。

本发明还提供一种基于机器学习的工程控制网坐标系建立系统，首先，通过模型建立模块建立高精度的边长投影变形计算模型，以往为了便于解析函数的极值求解，认为的对实测边长归算至椭球面的边长变形计算模型、椭球面大地线到高斯平面的边长投影变形计算模型做了一阶近似。以机器学习算法求解最优值，可以不考虑现有的高等数学极大值定理，采用精度更高的边长投影变形模型；以往利用高等数学中的函数极值原理解算实测变场投影变形极大值，需要对投影变形公式进行简化近似，而利用机器学习算法可以直接利用精密公式进行极大值求解，无疑减小了模型的系统误差。然后，通过优化函数建立模块建立优化函数，即机器评价投影变形的数学标准。所谓优化函数，即边长投影变形的总变形量绝对值最小。然后通过初始化模块初始化解空间，解空间根据待定参数的个数，可以是多维的。在解空间内初始化一组初始解，即n维坐标系的点，这些点在n维解空间内的位置，就是一个优化坐标系统的潜在参数解。因此，这组点实际上就是n维解空间内的一组潜在参数解。通过优化评价模块将所有点坐标带入自适应的优化评价公式，计算其函数值，函数值的大、小直接反映了当前点坐标的优、劣程度，通过对比模块将各个点坐标的函数值进行对比，记录其中最优位置，为初始迭代的最优解。通过最优解更新模块建立点在解空间内的位置更新算法模型，采用模型基于当前能够取得的最优解更新这组点在解空间的位置坐标。将所有新一轮的位置坐标带入优化评价公式，计算函数值，并与上一轮最优者进行比较，若本轮最优解优于上一轮，则通过结果输出模块检查相应解是否满足限差要求，满足则迭代停止，输出结果，不满足则继续更新优化。本系统通过算法为计算机定义最优合理解的标准，通过计算机自适应算法，在更广阔的解空间内寻找满足要求的最优坐标系参数配比；提高坐标系统优化选取的准确性和计算效率，针对性的解决现行坐标系优化过程中存在的无法对不同区域、不同高程位置的工程，重新根据新工程的地理位置条件，重新分析并选择合理的坐标系统；另一方面，可解决现有的当测区具有多个不同高程的施工作业面，又需要建立空间整体统一的施工控制测量坐标系时，就会出现抵偿投影面参数不唯一的情况，从而限制了解析函数极大值的可解性，提高的工程分析的复杂程度的技术难点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例一种基于机器学习的工程控制网坐标系建立方法的流程图；

图2为本发明实施例一种基于机器学习的工程控制网坐标系建立方法中迭代更新最优解的流程图；

图3为本发明实施例一种基于机器学习的工程控制网坐标系建立系统的原理框图。

图标：100、模型建立模块；200、优化函数建立模块；300、初始化模块；400、优化评价模块；500、对比模块；600、最优解更新模块；610、更新模型子模块；620、实时计算子模块；630、最优解子模块；640、更新对比子模块；641、判断单元；650、最优目标子模块；700、结果输出模块。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括上述要素的过程、方法、物品或者设备中还存在另外的相同要素。

实施例

如图1所示，第一方面，本发明实施例提供一种基于机器学习的工程控制网坐标系建立方法，一种基于机器学习的工程控制网坐标系建立方法，包括以下步骤：

S1、基于机器学习算法建立高精度边长投影变形计算模型；即利用机器学习算法去自适应选取能够使实测边长投影变形达到最优的投影变形关键参数；

S2、建立高精度边长投影变形计算模型的优化函数；

S3、初始化解空间，在解空间内初始化一组初始解；在解空间内初始化的解即是控制实测边长投影变形的参数，这个参数带入优化评价公式中，计算所得的函数值就是评价这组参数优略的量化指标；

S4、获取初始解中的所有点坐标，并将所有点坐标带入优化函数中自适应的优化评价公式，计算各个点坐标的函数值；上述坐标具体是指以高精度边长投影变形公式中，决定最终投影变形量大小的关键参数为待定参数，建立相应的解空间，这组点在解空间内每个维度上的坐标值对应的就是该投影变形模型中的一个参数解；初始解中每个点的每个坐标分量对应的就是控制高精度边长投影变形量的一个关键参数，所以这些点在解空间中的多维坐标值就表示了解空间内的一套潜在最优参数解，将这些点的点坐标值带入优化函数中，计算所得的函数值的大小就是评价任意一套待定参数解的优劣的量化指标；

S5、将各个点坐标的函数值进行对比，获取函数极小值对应的位置坐标，并将该位置坐标标记为初始迭代的最优解；

S6、建立点在解空间内的位置更新算法模型，采用位置更新算法模型更新这组点在解空间的位置坐标，迭代更新工程控制网的所有实时点坐标并计算获取目标最优解位置坐标，将目标最优解位置坐标作为全局最优解位置坐标；

S7、判断全局最优解位置坐标是否满足限差要求，如果是，则迭代停止，输出全局最优解位置坐标结果；如果否，则进入步骤S6，继续迭代更新。

为了提高坐标系统优化选取的准确性和计算效率，针对性的解决现行坐标系优化过程中存在的技术难点，首先，建立高精度的边长投影变形计算模型，以往为了便于解析函数的极值求解，认为的对实测边长归算至椭球面的边长变形计算模型、椭球面大地线到高斯平面的边长投影变形计算模型做了一阶近似。而以机器学习算法求解最优值，可以不考虑现有的高等数学极大值定理，采用精度更高的边长投影变形模型；以往利用高等数学中的函数极值原理解算实测变场投影变形极大值，需要对投影变形公式进行简化近似，结果如下：地面实测边长归算至椭球面的边长变形公式：

然后，建立优化函数，即机器评价投影变形的数学标准。所谓优化函数，即边长投影变形的总变形量绝对值最小，即：max{|ΔS|}＝min。初始化解空间，解空间根据待定参数的个数，可以是多维的。通常本算法的解空间为二维解空间，即中央子午线平移参数、抵偿投影面高程参数：H

建立点在解空间内的位置更新算法模型，采用模型基于当前能够取得的最优解更新这组点在解空间的位置坐标。将所有新一轮的位置坐标带入优化评价公式，计算函数值，并与上一轮最优者进行比较，若本轮最优解优于上一轮，则检查相应解是否满足限差要求，满足则迭代停止，输出结果，不满足则继续更新优化。采用上述评价公式，找到这组新的解中的最优分布，并利用新解的最优分布计算总投影变形，并于上次迭代的最优结果进行比较，如果本次迭代的最优结果由于上次，则将本次结果作为当前计算进度的最优解。如果多次试算都没有找到更优的解，则认为当前已取得的最优计算结果就是想要的全局最优。

本方法通过算法为计算机定义最优合理解的标准，通过计算机自适应算法，在更广阔的解空间内寻找满足要求的最优坐标系参数配比；提高坐标系统优化选取的准确性和计算效率，针对性的解决现行坐标系优化过程中存在的无法对不同区域、不同高程位置的工程，重新根据新工程的地理位置条件，重新分析并选择合理的坐标系统；另一方面，可解决现有的当测区具有多个不同高程的施工作业面，又需要建立空间整体统一的施工控制测量坐标系时，就会出现抵偿投影面参数不唯一的情况，从而限制了解析函数极大值的可解性，提高的工程分析的复杂程度的技术难点。这种算法我已经验证过了，是非常适用于地下、地上在投影方向重叠的空间建立统一的平面直角坐标系，比以往算法的适用性大很多(比如矿山地表的工程设施和地下采空区，同时建立控制网，并且要求控制网的平面直角坐标系是统一的，这在以前是难以做到的，尤其是地下作业区域的深度过大的时候。

基于第一方面，如图2所示，在本发明的一些实施例中，步骤S6包括以下步骤：

S61、建立点在解空间内的位置更新算法模型，采用位置更新算法模型更新这组点在解空间的位置坐标；

S62、获取更新后的工程控制网的所有实时点坐标，并将更新后的所有实时点坐标带入自适应的优化评价公式，计算各个实时点坐标的函数值；

S63、将各个实时点坐标的函数值进行对比，获取实时函数极小值对应的位置坐标，并将该位置坐标标记为实时最优解；

S64、将实时最优解与初始迭代的最优解进行对比，生成对比结果；

S65、根据对比结果，获取目标最优解位置坐标，将目标最优解位置坐标作为全局最优解位置坐标。

建立点在解空间内的位置更新算法模型，采用模型基于当前能够取得的最优解更新这组点在解空间的位置坐标，将所有新一轮的位置坐标带入优化评价公式，计算函数值，并与上一轮最优者进行比较，找到目标最优解位置坐标，将目标最优解位置坐标作为全局最优解位置坐标，进而实现最优位置更新，建立更为准确的、及时的坐标系统。

基于第一方面，在本发明的一些实施例中，上述将实时最优解与初始迭代的最优解进行对比，生成对比结果的方法包括以下步骤：

将实时最优解与初始迭代的最优解进行对比，判断实时最优解是否优于初始迭代的最优解，如果是，则将实时最优解标记为目标最优解，并生成第一对比结果；如果否，则将初始迭代的最优解标记为目标最优解，并生成第二对比结果。

采用上述评价公式，找到这组新的解中的最优分布，并利用新解的最优分布计算总投影变形，并于上次迭代的最优结果进行比较，如果本次迭代的最优结果由于上次，则将本次结果作为当前计算进度的最优解。如果多次试算都没有找到更优的解，则认为当前已取得的最优计算结果就是想要的全局最优。

如图3所示，第二方面，本发明实施例提供一种基于机器学习的工程控制网坐标系建立系统，包括模型建立模块100、优化函数建立模块200、初始化模块300、优化评价模块400、对比模块500、最优解更新模块600以及结果输出模块700，其中：

模型建立模块100，用于基于机器学习算法建立高精度边长投影变形计算模型；

优化函数建立模块200，用于建立高精度边长投影变形计算模型的优化函数；

初始化模块300，用于初始化解空间，在解空间内初始化一组初始解；

优化评价模块400，用于获取初始解中的所有点坐标，并将所有点坐标带入优化函数中自适应的优化评价公式，计算各个点坐标的函数值；

对比模块500，用于将各个点坐标的函数值进行对比，获取函数极小值对应的位置坐标，并将该位置坐标标记为初始迭代的最优解；

最优解更新模块600，用于建立点在解空间内的位置更新算法模型，采用位置更新算法模型更新这组点在解空间的位置坐标，迭代更新工程控制网的所有实时点坐标并计算获取目标最优解位置坐标，将目标最优解位置坐标作为全局最优解位置坐标；

结果输出模块700，用于判断全局最优解位置坐标是否满足限差要求，如果是，则迭代停止，输出全局最优解位置坐标结果；如果否，则最优解更新模块600工作，继续迭代更新。

首先，通过模型建立模块100建立高精度的边长投影变形计算模型，以往为了便于解析函数的极值求解，认为的对实测边长归算至椭球面的边长变形计算模型、椭球面大地线到高斯平面的边长投影变形计算模型做了一阶近似。以机器学习算法求解最优值，可以不考虑现有的高等数学极大值定理，采用精度更高的边长投影变形模型；以往利用高等数学中的函数极值原理解算实测变场投影变形极大值，需要对投影变形公式进行简化近似，而利用机器学习算法可以直接利用精密公式进行极大值求解，无疑减小了模型的系统误差，其计算公式为，

然后，通过优化函数建立模块200建立优化函数，即机器评价投影变形的数学标准。所谓优化函数，即边长投影变形的总变形量绝对值最小，即：max{|ΔS|}＝min。然后通过初始化模块300初始化解空间，解空间根据待定参数的个数，可以是多维的。通常解空间为二维解空间，即中央子午线平移参数、抵偿投影面高程参数：H

本系统通过算法为计算机定义最优合理解的标准，通过计算机自适应算法，在更广阔的解空间内寻找满足要求的最优坐标系参数配比；提高坐标系统优化选取的准确性和计算效率，针对性的解决现行坐标系优化过程中存在的无法对不同区域、不同高程位置的工程，重新根据新工程的地理位置条件，重新分析并选择合理的坐标系统；另一方面，可解决现有的当测区具有多个不同高程的施工作业面，又需要建立空间整体统一的施工控制测量坐标系时，就会出现抵偿投影面参数不唯一的情况，从而限制了解析函数极大值的可解性，提高的工程分析的复杂程度的技术难点。

基于第二方面，如图3所示，在本发明的一些实施例中，上述最优解更新模块600包括更新模型子模块610、实时计算子模块620、最优解子模块630、更新对比子模块640以及最优目标子模块650，其中：

更新模型子模块610，用于建立点在解空间内的位置更新算法模型，采用位置更新算法模型更新这组点在解空间的位置坐标；

实时计算子模块620，用于获取更新后的工程控制网的所有实时点坐标，并将更新后的所有实时点坐标带入自适应的优化评价公式，计算各个实时点坐标的函数值；

最优解子模块630，用于将各个实时点坐标的函数值进行对比，获取实时函数极小值对应的位置坐标，并将该位置坐标标记为实时最优解；

更新对比子模块640，用于将实时最优解与初始迭代的最优解进行对比，生成对比结果；

最优目标子模块650，用于根据对比结果，获取目标最优解位置坐标，将目标最优解位置坐标作为全局最优解位置坐标。

建立点在解空间内的位置更新算法模型，采用模型基于当前能够取得的最优解更新这组点在解空间的位置坐标，将所有新一轮的位置坐标带入优化评价公式，计算函数值，并与上一轮最优者进行比较，找到目标最优解位置坐标，将目标最优解位置坐标作为全局最优解位置坐标，进而实现最优位置更新，建立更为准确的、及时的坐标系统。

基于第二方面，如图3所示，在本发明的一些实施例中，上述更新对比子模块640包括判断单元641，用于将实时最优解与初始迭代的最优解进行对比，判断实时最优解是否优于初始迭代的最优解，如果是，则将实时最优解标记为目标最优解，并生成第一对比结果；如果否，则将初始迭代的最优解标记为目标最优解，并生成第二对比结果。

采用上述评价公式，找到这组新的解中的最优分布，并利用新解的最优分布计算总投影变形，并于上次迭代的最优结果进行比较，如果本次迭代的最优结果由于上次，则将本次结果作为当前计算进度的最优解。如果多次试算都没有找到更优的解，则认为当前已取得的最优计算结果就是想要的全局最优。

例如：

以蚂蚁算法为例的参数优化：

算法原理概述：

蚂蚁算法是一种模拟自然界蚁群觅食过程的仿生学机器学习算法(Ant ColonyOptimization,ACO)。该方法具有分布式计算、遍历多维解空间、无中心控制和分布式个体之间间接通信等特征。

在自然界中的蚁群觅食过程：群体蚂蚁有能力在没有任何约束信息的条件下找到巢穴到目标食物源的最短路径，并且随着环境的变化，能够随之快速适应性的提出新的搜索路径，产生新的选择。其原因在于每只蚂蚁在其运动途径上都会留下相应的信息素，后来的蚂蚁选择该路径的概率与当前这条路上的信息素浓度呈正比。当一条路径上经过的蚂蚁数量越多，信息素浓度越高，后来的蚂蚁选择这条路径的概率就越高，进而能够吸引更多的蚂蚁前来，形成一条正反馈的机制。这种正反馈机制可以使蚁群最终集中分布在最优的路径之上。

算法过程概述：

利用蚁群算法求解目标函数的最优解问题，可以采用类似的仿生机制模拟蚁群搜索食物目标到蚁巢之间的最短路径的过程，实现复杂问题的快速、精确求解。

首先，本发明的解空间为多维解空间。在如此解空间内定义蚁群数量，蚁群中每个蚂蚁在解空间中进行自由移动的过程，就是遍历整个解空间寻找最优参数解组合的过程。因此，蚂蚁数量越大、对解空间的遍历速度就越快。其中，每个蚂蚁的运动轨迹/路径就是相应的潜在最优参数解，而原理中提到的信息素可以通过目标函数的函数值来定义，即将待定参数带入目标函数进行计算，所得的函数值为信息素。对于本发明而言，要求使得边长投影变形量达到最小，因此，不同参数解计算的函数值越小，定义为相应的信息素浓度越高。具体的：

在算法执行的初始时刻，默认各条路径上的信息素浓度相等，即γ

上式中，J

γ

其中，ρ∈(0,1)，是路径上各蚂蚁信息素的挥发系数，Δγ

综上，本发明的实施例提供一种基于机器学习的工程控制网坐标系建立方法及系统，通过算法为计算机定义最优合理解的标准，通过计算机自适应算法，在更广阔的解空间内寻找满足要求的最优坐标系参数配比；提高坐标系统优化选取的准确性和计算效率，针对性的解决现行坐标系优化过程中存在的无法对不同区域、不同高程位置的工程，重新根据新工程的地理位置条件，重新分析并选择合理的坐标系统；另一方面，可解决现有的当测区具有多个不同高程的施工作业面，又需要建立空间整体统一的施工控制测量坐标系时，就会出现抵偿投影面参数不唯一的情况，从而限制了解析函数极大值的可解性，提高的工程分析的复杂程度的技术难点。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。