Izvleček

Ena izmed pomembnejših tem raziskovanja na področju geodezije so transformacije med koordinatnimi sistemi. Za vzpostavitev povezave med dvema koordinatnima sistemoma se je kot alternativna metoda uporabila umetna nevronska mreža ANN (angl. artificial neural network). Razvoj učinkovite nevronske mreže je odvisen od strukture in načina učenja mreže ter metode normalizacije podatkov. Pomemben korak pri uporabi nevronske mreže je podatek o načinu normalizacije podatkov, ki bodo vstopili v nevronsko mrežo. V pričujoči raziskavi je predstavljen učinek osmih vrst normalizacij podatkov na primeru dvorazsežne (2D) transformacije koordinat z uporabo posplošene regresijske nevronske mreže (GRNN). Metode normalizacije, ki so predstavljene, so označene kot: najvišja (angl. maximize), najnižja-najvišja (angl. min-max), mediana, mediana in mediana absolutnih odstopanj – mediana MAD (angl. median-median absolute deviations – median-MAD), sredina in sredina absolutnih odstopanj – sredina MAD (angl. mean-mean absolute deviations – mean-MAD), statistični stolpec (angl. statistical column), uporaba funkcije tanh in z-vrednost (angl. z-score). Rezultati prikazujejo, da metode najnižja-najvišja, mediana MAD, sredina MAD, funkcija tanh in z-vrednost dosegajo boljše rezultate od drugih metod, vključenih v raziskavo. Izkazalo se je, da je GRNN učinkovito in praktično orodje za izvedbo transformacije koordinatnih sistemov v ravnini.

Ključne besede: umetna nevronska mreža, posplošena regresijska nevronska mreža, transformacija koordinat, metode normalizacije