1.基于混合建模的三坐标测量机测头预行程误差预测方法，其特征在于：

A、采集测点数据，利用标准球进行测量，首先确定在标准球表面的北半球和北极点的三个维度上进行测量点采集，三个纬度极角在0-90°均匀取值，并在这三个纬度极角上分别等间距的选取若干测点；

B、将测头逼近测点的方位角度θ和 作为测点数据输入Xi，然后找到距离测点数据输入Xi最近的中心点Cmin(j)并对其进行调整，以完成所有测点数据输入Xi的训练学习；

其中，Mk(n)为第n个迭代后的神经网络径向基函数的第k个中心，并用下列公式对Cmin(j)进行调整：若K＝K(X(i))，则MK(n+1)＝Mk(n)+α[X(i)-Mk(n)]；

否则：Mk(n+1)＝Mk(n)；

其中，α为该网络在学习过程中的学习步长，取值范围是0-1；

采用无监督的Hebb学习规则完成所有测点数据输入Xi的训练学习；

C、对测点数据输入Xi进行分组，并确定输入向量和目标向量；

选取n个数据为一个样本，将前面n-1个样本数据作为复合神经网络预测模型的测点输入数据Xi，即[X1,X2,…，Xn-1]T，最后一个数据Xn为目标值；选择其中p个输入向量和目标向量，其中输入向量M＝[m1,m2,…，mp]，Mi＝[Xi,Xi+1,…，Xi+n-2],i＝1,2,…，m，目标向量是Q＝[Xn,Xn+1，…，Xn+p]T；

D、构建基于混合建模的三坐标测量机测头预行程误差的预测模型，确定该预测模型的输入节点，隐含层节点，输出层节点以及各个隐含层的函数及其连接权值；

E、训练该预测模型，并通过MATLAB仿真实验对预测模型进行实验验证；

对于步骤C中的分组后的数据M作为输入向量，目标向量Q＝[Xn,Xn+1，…，Xn+p]T作为复合网络的输出，一直到该复合网络达到设定的最优目标值或者达到最大迭代次数时训练停止，保存住复合神经网络的预行程误差值。

2.根据权利要求1所述的基于混合建模的三坐标测量机测头预行程误差预测方法，其特征在于，根据步骤A采集数据，首先利用标准球进行测量得到若干测点样本数据，在测点样本的选取方面，参考美国国家标准研究所定制的通过标准球表面规划并检测样本数据点来检验测头误差的相关标准。

3.根据权利要求1所述的基于混合建模的三坐标测量机测头预行程误差预测方法，其特征在于，根据步骤B将测点的测头逼近方位角度θ和 作为测点数据输入Xi，以X＝[x1,x2,…,xi]作为为网络的输入向量，测头预行程误差的大小yn作为输出向量。

4.根据权利要求1所述的基于混合建模的三坐标测量机测头预行程误差预测方法，其特征在于，根据步骤C建立RBF神经网络与Hopfield网络的复合神经网络，首先确定RBF神经网络的聚类径向基的中心和连接权值，然后通过高斯径向基函数求出对应输入的输出值yj；

W1,j(i)、W2,k(j)、W3,m(k)分别为其前一层向后一层的连接权值，RBF网络的径向基向量H＝[h1,h2,…，hm]T，其中hj为高斯基函数，即：式中，Cj＝[cj1,cj2,…，cjn]T,j＝1,2,…，n,为网络第j个节点的中心向量，bj为节点基宽参数，||·||为2-范数，也成为欧式范数；

RBF神经网络的输出及网络逼近的性能指标函数分别为：

yj＝w1h1+w2h2+…+wjhm    (1-2)

式中，yj(k)是RBF网络的输出；

然后，将RBF网络输出yj(k)代入Hopfield能量函数，并通过调节权值W2,k(j)、W3,m(k)使得网络得到输出；

Hopfield网络的能量函数表示为式(1-4)；

式中，Vij表示神经元(i,j)的输出；

根据梯度下降法，输出权、节点基宽参数及节点中心矢量的迭代算法如下：

W2,k(j)＝W2,k(j-1)+η(y(k)-ym(k))hj+α(W2,k(j-1)-W2,k(j-2))        (1-6)bj(k)＝bj(k-1)+ηΔbj+α(bj(k-1)-bj(k-2))     (1-8)cji(k)＝cji(k-1)+ηΔcji+α(cji(k-1)-cji(k-2))      (1-10)式中，η为学习效率，α为动量因子，η∈[0,1]，α∈[0,1]。

5.根据权利要求1或3所述的基于混合建模的三坐标测量机测头预行程误差预测方法，其特征在于，根据步骤E训练预测模型，首先合理选取径向基层的散步常数spread，通过调用matlab神经网络工具箱中的函数newrb()函数及newhop()生成初始的复合神经网络预测模型，并对一系列数据点进行函数逼近，然后设定各个连接权值及参数的初值进行网络的学习训练，对复合网络进行Simulation模型仿真，反复对网络进行调试直至复合神经网络的收敛误差达到所设定的预期范围内。