作为质量指标的估计方差的可靠性

研究了具有p范分布的参数的极大似然估计的估计方差。除L     

一元P-范分布参数估计的改进方法

当观测误差服从P范分布时,本文从P范分布的概率密度函数和统计性质出发,利用绝对矩得到了参数p和方差的合理选择公式,给出了一种P范分布的参数的估计方法,可以使误差分布更加接近真实分布.将得到的参数估值作为应用极大似然估计法进行迭代时的初值,从而减少了运算时间,提高了运算效率.同时,将模型展开为泰勒级数,取至二次项,从而使...     

一元非对称P范分布的极大似然平差

从测量误差的实际情况出发,提出一元非对称P范分布极大似然平差方法,建立该方法的数学模型,得到一元非对称P范分布的密度函数,利用极大似然估计方法推导参数估计值的基础方程.研究表明,结合实际测量数据,通过选择合适的参数估计值,可以增加误差分布模型选取的灵活性,便于P范分布理论在测绘数据处理中的推广应用.     

半参数p-范极大似然回归

应用核权函数,在观测为误差单峰、对称的情况下,得到了一元p-范分布的半参数模型的计算公式.详细推导了p已知时一元p-范分布极大似然方程的解算公式,将半参数回归模型应用到极大似然平差的参数估计理论中,得到了一个比较好的算法.最后,构造了两个模拟平差问题,说明了此方法的优越性.     

p-范分布参数σ的估计

用极大似然法估计一元 p_范分布参数σ。在 μ、p已知的条件下 ,得出 ^σp 是σp 的无偏估计及 npλp·^σpσp服从 χp 分布 ,进而给出方差的假设检验方法。     

P范分布的实数阶与对数矩估计法

从参数估计的精度和算法的复杂度出发,对P范分布参数的估计方法进行了改进。根据误差分布的实际情况,引入实数阶和对数矩估计方法,建立了P范分布的参数估计的实数阶矩估计方法。首先,利用实数阶矩估计法,导出了形状参数p与实数阶阶数r的关系式,对形状参数的选取给出了相应的建议;其次,改进矩估计理论,利用对数矩估计方法导出了形状参数、期望及中误差的非线性估计公式,消除了函数截断误差对参数估计值计算的影响,并利用迭代算法给出了相应参数的解算方法和计算流程;最后,用一个模拟算例和两个实测算例分析了实数矩、对数矩和极大似然估计3种估计方法的稳定性和精度。结果说明,本文提出的矩估计方法在稳定性、精度和收敛速度等方面均优于极大似然估计方法,推广了现有的误差理论。     

一元p-范分布的参数估计

应用矩估计法，在观测为误差单峰、对称的情况下，得到了一元p-范分布在不同情况下参数的计算公式。详细推导了一元p-范分布极大似然方程的解算公式，将矩估计法应用到极大似然平差的参数估计理论中，得到了一个比较好的算法，最后用两个算例说明了此方法的优越性。     

基于矩估计法的P范分布参数估计

P范分布的参数估计值的精度对观测值的估计效率和数据处理的精度影响较大。从观测值分布的实际情况和简化运算出发,引入二/四阶矩估计方法估计P范分布的形状参数和方差,给出了二/四阶矩估计法的形状参数的近似计算式。为了进一步提高估计效率,引入对数期望矩估计法,将绝对矩与对数绝对矩相结合,导出了基于对数期望矩估计法的P范分布形状参数p、方差σ的合理估计表达式。最后利用两组模拟数据对该模型和计算方法的正确性进行了验证,并与传统极大似然估计方法进行了对比分析。结果表明,当样本数较少时,二/四阶矩估计法和对数期望矩估计法在收敛性、稳定性和准确性等方面优于极大似然估计法。     

多母体p—范极大似然平差

本文提出了多母体ｐ－范极大似然平差方法，建立了该方法的数学模型，并且导出了求解参数估值的基础方程，本文提出的方法溶测量平差，误差母体分布的估计、方差分量估计于一体，是对多元ｐ－范极大似然平差的进一步推广。     

多母体p—范极大似然平差

本文提出了多母体ｐ－范极大似然平差方法，建立了该方法的数学模型，并且导出了求解参数估值的基础方程，本文提出的方法溶测量平差，误差母体分布的估计、方差分量估计于一体，是对多元ｐ－范极大似然平差的进一步推广。     

Formal Difference Analysis and Unification on p-Norm Distribution Density Functions

IntroductionEarlyin 1965 ,a researcher fromFormer SovietUnion put forwardp-norm distribution densityfunction of one variable[1].In 1980 ,an Ameri-can researcher also gave an analogous conclu-sion[2]. In 1993 , a Chinese researcher , SunHaiyan also deduced…     

p-范分布密度函数的形式差异辨析与统一

分析了产生p-范分布密度函数形式差异的原因,改进了p-范分布公式推导过程中的两个问题,证明了两种不同形式的p-范分布密度函数等价,有利于p-范分布理论在测量数据处理中的推广应用。     

一元p范分布的参数快速估计方法

首先得到了一元p范分布在不同情况下的估计效率公式,给出了选择不同尺度参数时Lp估计的效率,说明了选择合适尺度参数的重要性;然后根据误差分布的实际情况,从一元p范分布的概率密度函数和统计性质出发,利用绝对矩得到了尺度参数和方差的合理选择公式。通过曲线拟合的公式,给出了一种一元p范分布的参数p的估计方法,并用两个模拟算例对本文方法进行了验证。     

EM算法在p范混合模型参数估计中的应用

针对多种分布形式混合的观测数据,建立了p范混合模型,考虑到模型中混合数属于不完全数据,引入期望最大化(expectation-maximum, EM)算法,对该混合模型的参数进行估计,详细推导了p范混合模型参数估计的迭代公式,并给出了相应的迭代步骤。采用混合高斯分布数据、拉普拉斯分布与高斯分布混合数据及实测GPS观测值残差数据,验证了公式的正确性和适应性。算例结果表明,与单一概率分布相比,p范混合模型能够准确反映数据分布的实际情况,同时利用EM算法估计的模型参数具有较高的精度。     

自适应Lp估计及其在SLR数据预处理中的应用

本文简要介绍了自适应Ｌｐ估计的有关理论和求解方法，并对ＳＬＲ数据的测量误差作了统计分析。发现ＳＬＲ数据的测量误差服从ｐ值不定的ｐ范分布。本文ＳＬＲ数据预处理实例表明自适应Ｌｐ估计能给出比ＬＳ估计更为稳健有效的拟合参数。当观测值粗差高达６６％时，自适应Ｌｐ估计仍能给出可靠的拟合参数，效果明显优于传统的ＬＳ估计。     

误差分布的解析似合

针对根据误差值绘制直方图或用分布拟合检验法难以获得误差分布的具体类型，且方法的较为繁琐与实施不便的缺点，在分析了误差分布可用概括分布－指数分布来描述的基础上，提出了用解析法来确定误差分布的分布类型，并通过实例证明了该方法的正确性与可行性。     

ECM算法的多视SAR影像分割

多视SAR影像像素强度通常建模为Gamma分布,其形状参数为常数(视数)。实验表明,多视SAR影像分割时,设Gamma分布的形状参数为变量可取得更好的分割结果。由于Gamma分布中形状参数以Gamma函数的形式出现,利用EM算法求解时无法获得形状参数的解析解。为此,本文提出了一种基于Expectation/Conditional Maxinnization(ECM)算法的多视SAR影像分割方法。利用ECM算法估计最大化后验概率条件下的Gamma分布参数及表征最优多视SAR影像分割的标号场实现。采用模拟和真实多视SAR影像验证提出算法。实验结果表明,Gamma分布的形状和尺度参数均能快速收敛到稳态值,且以此得到各同质区域的Gamma分布曲线可以很好地拟合其直方图。通过对分割结果的定性和定量分析,可知提出算法具有有效性和可行性,且优于EM算法。     

临界值可变的抗差估计等价权函数

抗差估计等价权函数一般由正态分布统计量构造,其临界值(或称准则)一般由实际经验确定.首先分析了正态分布统计量和学生化残差统计量的区别,然后分别讨论了基于这两种统计量构造的等价权函数的区别.研究表明,利用学生化残差统计量构造的等价权函数以及顾及误差显著性水平确定的临界值,不仅考虑了观测误差的大小,而且还可以顾及了实际观测的图形强度和多余观测数,可以克服人为确定临界值可能带来的参数估计的有效性和抗差性方面的风险.     

Distribution of large volume image data using the mixed mode of Java Servlet and COM on Web

This paper reports some researches on distribution of large volume image data using techniques of the Mixed Mode of Java Servlet and COM on Web. The architecture and key technologies are discussed in detail. The web distribution system of image is implemented and the system is tested by the application instances. At last, the advantages and disadvantages for this web image distribution mode are analyzed.