Spelling suggestions: "subject:"geoidal ondulations"" "subject:"geoidal undulation""
1 |
Utilização de redes neurais na determinação de modelos geoidais / Using artificial neural network to obtain geoid models.Túle Cesar Barcelos Maia 01 August 2003 (has links)
A partir de dados obtidos do modelo do geopotencial EGM96, da gravimetria, do GPS e do nivelamento geométrico, e aplicando harmônicos esféricos e FFT como técnicas de determinação geoidal, foram utilizadas neste trabalho redes neurais artificiais como ferramenta alternativa na determinação de um modelo geoidal. Procurou-se uma determinação geoidal de forma mais rápida, com precisão adequada e com menor esforço na determinação de parâmetros importantes na obtenção da referida superfície. Foram utilizados modelos de redes neurais do tipo MLP, algoritmo de treinamento backpropagation, variando o número de camadas, o número de neurônios, a função de ativação, a taxa de aprendizado e o termo momento. Os dados dos modelos mencionados foram tratados de forma a serem utilizados pelos modelos de redes neurais. Foram executadas a normalização, a análise de componentes principais e a definição dos atributos de entrada e saída para treinamento do modelo de rede neural. Foram Realizadas comparações entre os modelos geoidais existentes, os quais foram utilizados nesta pesquisa, com os resultados obtidos pelo modelo de rede neural. Tais comparações resultaram na obtenção dos erros entre as superfícies, justificando dessa forma a possibilidade de uso do referido método, com a conseqüente demonstração de suas vantagens e desvantagens. / Applying data from EGM96 geopotential model, gravimetric, GPS and geometric leveling data and using spherical harmonics and FFT as techniques of geoidal determination, this thesis has the goal to find a fast alternative tool to define a geoidal undulation model considering precision and a small effort to estimate important parameters to obtain the mentioned model. MLP neural networks, backpropagation algorithm changing the numbers of layers, neurons numbers, activation function, learning rate and momentum term have been applied. The data of the mentioned models were handling aiming to be used by the neural networks models. Normalization, analysis of the main components, definition of the input and output attributes to training the neural network model, have been also used. Comparison among existing models and the models used in this research with results obtained by the neural network have been done, showing the errors between the created surfaces. At the end, it is presented a positive argument to use the MLP neural network to generate a geoidal model with advantages and disadvantages.
|
2 |
Utilização de redes neurais na determinação de modelos geoidais / Using artificial neural network to obtain geoid models.Maia, Túle Cesar Barcelos 01 August 2003 (has links)
A partir de dados obtidos do modelo do geopotencial EGM96, da gravimetria, do GPS e do nivelamento geométrico, e aplicando harmônicos esféricos e FFT como técnicas de determinação geoidal, foram utilizadas neste trabalho redes neurais artificiais como ferramenta alternativa na determinação de um modelo geoidal. Procurou-se uma determinação geoidal de forma mais rápida, com precisão adequada e com menor esforço na determinação de parâmetros importantes na obtenção da referida superfície. Foram utilizados modelos de redes neurais do tipo MLP, algoritmo de treinamento backpropagation, variando o número de camadas, o número de neurônios, a função de ativação, a taxa de aprendizado e o termo momento. Os dados dos modelos mencionados foram tratados de forma a serem utilizados pelos modelos de redes neurais. Foram executadas a normalização, a análise de componentes principais e a definição dos atributos de entrada e saída para treinamento do modelo de rede neural. Foram Realizadas comparações entre os modelos geoidais existentes, os quais foram utilizados nesta pesquisa, com os resultados obtidos pelo modelo de rede neural. Tais comparações resultaram na obtenção dos erros entre as superfícies, justificando dessa forma a possibilidade de uso do referido método, com a conseqüente demonstração de suas vantagens e desvantagens. / Applying data from EGM96 geopotential model, gravimetric, GPS and geometric leveling data and using spherical harmonics and FFT as techniques of geoidal determination, this thesis has the goal to find a fast alternative tool to define a geoidal undulation model considering precision and a small effort to estimate important parameters to obtain the mentioned model. MLP neural networks, backpropagation algorithm changing the numbers of layers, neurons numbers, activation function, learning rate and momentum term have been applied. The data of the mentioned models were handling aiming to be used by the neural networks models. Normalization, analysis of the main components, definition of the input and output attributes to training the neural network model, have been also used. Comparison among existing models and the models used in this research with results obtained by the neural network have been done, showing the errors between the created surfaces. At the end, it is presented a positive argument to use the MLP neural network to generate a geoidal model with advantages and disadvantages.
|
3 |
FUNDAMENTOS CONCEITUAIS DA DETERMINAÇÃO DO GEÓIDE PELO MÉTODO GRAVIMÉTRICO / FUNDAMENTAL CONCEPTS OF GRAVIMETRIC GEOID DETERMINATIONCargnelutti, Jocelaine 30 March 2007 (has links)
Fundamental concepts of gravimetric geoid determination with the objective to didatic methodology. It s described that the study of the real Earth have a large number of variable, what becomes impracticable the problem solution. It is studied then, the behavior of the real Earth by means of the parameter determinations of the normal Earth. Ellipsoid of revolution is used as surface mathematically defined and it
represents better the real Earth. The geoid determination consists of the determination of the geoidal undulation N and the deflection of the vertical θ , that is decomposed in the meridian component ξ (also called north-south component) and in the component prime vertical η (also called east-west component). The geoid undulation is given by the Stokes integral in function of the gravity anomalies and as the deflection of the vertical components are determined by the Vening-Meinesz s formulas. It is deduced the Legendre s polynomials, that are functions for the solution of the Stokes integral. It is described the potential theory of the gravity. It is showed that the horizontal geodesic networks (reference points with latitude and longitude geodetic coordinates) and the vertical geodetic networks (reference points with
heights) require, in its models, quantities from the geoid determination / Fundamentos conceituais da determinação do geóide pelo método gravimétrico com o objetivo de ordenação didática. Mostra-se que o estudo da Terra real possui um grande número de variáveis, o que torna a solução do problema inviável. Estuda-se então, o comportamento da Terra real por meio da determinação de parâmetros da Terra normal. Utiliza-se o elipsóide de revolução que é a superfície
matematicamente definida e que melhor representa a Terra real. Mostra-se que a determinação do geóide consiste na determinação da ondulação geoidal N e a deflexão da vertical θ , decomposta na componente meridiana ξ (também
denominada componente norte-sul) e na componente 1º vertical η (também denominada componente leste-oeste). Expõem como a ondulação do geóide é obtida pela integral de Stokes em função das anomalias da gravidade e como as
componentes do desvio da vertical são determinadas pelas fórmulas de Vening- Meinesz. Deduz-se os polinômios de Legendre que são funções para a solução da integral de Stokes. Pormenoriza-se os fundamentos do potencial da gravidade. Mostra-se que as redes geodésicas horizontais (conjunto de pontos com coordenadas curvilíneas geodésicas latitude e longitude) e as redes geodésicas verticais (conjunto de pontos com altitudes) requerem, em seus modelos, grandezas que provêm da determinação do geóide
|
Page generated in 0.0976 seconds