һ�ֻ�����Ԫ������ά��׼ת�����ģ��

???????????????????????????????????????????????????????????ü????伸???????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????     

���������������GLONASS��������о�

???????????????GLONASS??????棬?о??????????????????????????????????????????????????Ч????????г??????????????????????????????????????1~300 s???????Ч???????????????????????????????????????????????300 min???X??Y??Z????????????266.43??246??13??336.06 m?????????????24???????????2 ms?????????????????GLONASS??????档
??     

�������ط���GPS�߳�ת���е�Ӧ��

?????????????????????????У????????????????????Щ???????ù???????????????????α仯??????????????GPS??????????????????????÷????????????????GPS?????????????????????????????     

SMR�����������Ƶ�����װ�õ�����뾫�Ȳ���

??????????????????????????????SMR?????????????????????SMR?????????????????????λ?ò??????????????????????????????????????     

L���߷��ڵȼ�Ȩ���������ģ���е�Ӧ��

??????????????????????????????????????????????????L???????????????????????????????????????????е????????????????????t???Cholesky?????е?λ?????????????????????????????????????????????????е?λ???????L???????????????е????????á????????????????????????Ч?????????????????     

������������ϵ��Ӧ������ת��

????κ??????????????????е???????????????????????????????е???????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????ITRF??WGS84????????????????????????     

��������ѵ�NOAA���Ǻ����������

???NOAA????1 km??????????????????о????????????????????????????????????????????????????????????и??????????ж??????ε?????????????Σ??????????????ε?????????Σ??????????????????????????????????????(DEM)??????????????????????????????????????5??8 K????????α???????????????     

����ƽ�����ٶȷ��ָ�GOCE����������ģ��

???????????????????????δ???????λ??????????????GOCE????2009-11-01-2010-01-31???????????????????????????????120??ε??????????GOCE-AAA01S???????????????12???????????????????????????????????????????????????????????????120??ε????????????±6.8 cm????6~120?????GOCE-AAA01S?????????EIGEN-CHAMP03S????102??????GOCE-AAA01S????????EGM96??????δ????????????????????????????λ??????г????????     

����������쳣�ĵ���Ӱ�����

????????????????????????????????????????????????SymletС?????????о?????????????????????????????????????, ???????????4???5??????????????????????????????????????2???3????????????????????????????????????????????ε????????????????ο???     

һ�ֻ���Ƶ�׷�����AR�����Ķ������ӳ�Ԥ��ģ��

?????????????????????ZTD????????????????????￡???????????????????????????????????????????????ZTD???????????????????????????ZTD???н?????????????????????????????????????????ZTD?????????????б????????????????????????в???AR?????и???????????????????????????????AR??????ZTD??????????????????????????μ??????????cm????     

非线性模型的补偿最小二乘估计

提出利用半参数估计理论解决非线性平差问题,即利用半参数模型中的非参数分量描述非线性模型按泰勒级数展开式中二次以上的高阶项,并推导了补偿最小二乘法求解非线性模型参数的相关公式。算例表明,对于非线性强度较强的模型,该算法可以取得较好的效果。     

����˫�������Ի��ع�Ļ��ӱ��η�����Ԥ��

??????????????????????????????????????????????????????????????????????????Ч??????????????????????????????Matlab??????????????????ε?????????????????????????????????????????????????????????????????????е???????     

结构振动数据数学模型的线性与非线性刻划

对振动测试数据评价参数的数学反演使用时间序列的线性和非线性模型进行了建模，计算结果表明非线性的ＳＥＴＡＲ模型描述测试数据所反映的物理过程比线性ＡＲＭＡＸ模型更趋于合理、全面和客观。非线性ＳＥＴＡＲ模型能较深刻描述被测体系的振动机理和物理行为，为下一步振动数据评判奠定了基础     

非线性三维基准转换的稳健估计

三维基准转换广泛应用于大地测量和摄影测量。因为处理非线性的三维基准转换较困难，大多数情况下，是用线性的三维基准转换来解决问题，为此，提出了一种新的简便方法来处理非线性三维基准转换问题。该方法应用了稳健估计原理，使解算得到的转换参数更加稳定和可靠。最后给出了一个算例，计算结果表明新方法非常有效。     

真实和有效叶面积指数及聚集指数的尺度效应

尺度效应是地球科学和定量遥感中的重要研究课题,目前的许多研究大多集中在估算尺度效应带来的误差,而对一些关键的植被结构参数是否存在尺度效应及其尺度转换方法尚存在诸多不同见解。本文针对真实和有效叶面积指数（Leaf Area Index, LAI和Effective LAI, LAI_e）以及聚集指数（Clumping Index, CI）3个植被关键结构参数,从基本概念和获取方法上分析参数的尺度效应及其尺度转换方法。从定义上看,LAI并不存在尺度效应,而LAI_e和CI则存在尺度效应,其中CI的尺度效应由LAIe引入（CI=LAI_e/LAI）。在野外实测中,LAI破坏测量法没有尺度效应,但由孔隙率模型获取3个参数的方法均具有尺度效应。异速生长方程和遥感反演方法的尺度效应取决于方法本身的线性或非线性特征。目前全球主要的LAI、LAI_e和CI遥感产品都基于非线性模型获取,其反演过程具有尺度效应。像元尺度的LAI本身并不具有尺度效应,而像元尺度的LAI_e和CI虽然具有尺度效应,但在实践中常常被忽略。因此,实际工作中应注意区分参数概念本身、野外测量、遥感反演方法以及遥感产品等所展示的不同尺度效应。     

基于改进果蝇算法的非线性模型参数估计方法

在对基本果蝇优化算法的寻优流程进行深入分析的基础上,提出一种单方向搜索处理的改进果蝇优化算法（IFOA）。该方法可以对极值点为非零非负的非线性函数进行优化处理,将其应用于非线性模型参数估计。实例表明,IFOA方法在参数估计精度上优于线性近似法与非线性迭代方法;与以遗传算法为代表的智能搜索方法相比,其估计精度相当,并具有参数设置少、寻优过程简单、易于程序实现等优点。     

基于经验模态分解与神经网络的信号预测

利用经验模态分解在处理非线性、非平稳信号以及人工神经网络可以较好地处理非线性问题的优点,通过经验模态分解把加入噪声的仿真信号分解成几个本征模态函数分量和一个趋势项,在分解过程中采用两种方法处理端点效应问题,结果表明两种方法都能很好的解决端点问题,然后对每个分量分别运用径向基函数神经网络进行预测,并重构出最后的预测结果。与不经EMD处理直接运用神经网络进行预测及真实数据进行对比,结果表明,相对于直接预测,该方法具有更好的预测效果。     

基于灰色最小二乘支持向量机的大坝变形预测

提出一种基于灰色最小二乘支持向量机的大坝变形预测新算法。通过对原始大坝序列进行一次累加,弱化序列中随机扰动的影响,增强数据的规律性,进而建立最小二乘支持向量机预测模型,并采用网格搜索法选取最优参数。算法充分利用了最小二乘支持向量机泛化能力强、非线性拟合性好等优良特性,避免了灰色方法及模型存在的理论缺陷。与灰色GM(1,1)和单一最小二乘支持向量机对比表明,新算法能保证较优的局部预测值和较好的全局预测精度,应用于短期大坝变形预测是可行的。     

非线性半参数模型最小二乘核估计的直接解法

基于非线性半参数模型最小二乘核估计,给出了其参数分量和非参数分量估计的构造式,导出了参数分量和非参数分量顾及二次项直接解法的计算公式。用实测数据进行计算,证明了对于非线性半参数模型最小二乘核估计,可采用顾及二次项的直接解法。     

Fuzzy synthetic evaluation of water quality of Naoli River using parameter correlation analysis

In order to improve the effectiveness of Fuzzy Synthetic Evaluation （FSE） models, a Parameter Correlation Analysis （PCA） was introduced into the FSE and a case study was carried out in the Naoli River in the Sanjiang Plain, Northeast China. The basic principle of the PCA is that the pairs of parameters which are highly correlated and linear with each other would contribute the same information to an assessment and one of them should be eliminated. The method of the PCA is that a correlation relationship among candidate parameters is examined before the FSE. If there is an apparent nonlinear or curvilinear relationship between two parameters, then both will be retained; if the correlation is significant （p〈0.01）, and the scatter plot suggests a linear relationship, then one of them will be deleted. However, which one will be deleted？ For solving this problem, a sensitivity test was conducted and the higher sensitivity parameters remained. The results indicate that the original data should be preprocessed through the PCA for redundancy and variability. The study shows that introducing the PCA into the FSE can simplify the FSE calculation process greatly, while the results have not been changed much.