基于神经网络的影响匹配概率松驰算法

提出了一种映射方法，使得Ｈｏｐｆｉｅｌｄ神经网络能够用于实现松驰算法。其优点在于Ｈｏｐｆｉｅｌｄ模型可由集成电路实现，因而使得基于松驰算法的影像匹配可以实时地完成，极大地提高了处理程度。     

一种基于感知概率的室内定位匹配算法

近年来,指纹匹配技术在高精度的室内定位系统中取得了很大的进步。由于复杂的室内环境和信号的多变性,很难获得统一的信号传播模型,因此位置指纹技术被广泛应用于室内定位系统中。基于接收信号强度,k近邻和最大似然概率算法是常用的位置指纹匹配算法。本文首先给出感知概率的定义,将感知概率引入到欧氏距离和似然概率中,并利用直方图模型和核密度估计技术计算似然概率,提出了修正k近邻和最大似然概率算法。实验结果表明,提出的修正算法可以获得较好的定位精度。     

基于改进人工蜂群算法的概率积分法参数反演

针对传统算法在反演概率积分法参数时易发散且难以获得全局最优解的问题,提出利用自适应人工蜂群算法反演概率积分法参数。根据该算法在求解过程中收敛速度快,获得全局最优解的特点,将参数反演问题转化为组合优化问题,建立了自适应人工蜂群算法的概率积分法预计参数反演流程,并将计算结果与实际值进行对比分析。通过理论分析与实验证明,自适应人工蜂群算法反演概率积分法参数精度高,较最小二乘法和模矢法拟合效果好,可应用于矿山开采沉陷预计。     

基于感知概率的室内定位算法

基于WLAN的室内定位技术对高性能算法的需求与日俱增,K近邻算法和最大似然概率算法是基于Wi-Fi位置指纹室内定位技术的两种常用算法。给出感知概率的定义,在感知概率基础上定义了感知欧氏距离和感知似然概率,并提出基于感知欧氏距离的确定型修正算法和基于感知似然概率的概率型修正算法。实验结果表明：基于感知概率的修正算法较原算法在相对复杂的室内环境中有更高的定位精度。     

一种基于SVM后验概率的MRF分割方法

提出了一种基于SVM后验概率的MRF分割方法,将支持向量机的后验概率应用于Markov随机场方法中,通过贝叶斯公式将对样本条件概率的估计转换为后验概率估计,再通过对SVM决策函数输出的映射来产生后验概率,并将SVM估计的后验概率信息带入MRF模型实现分割,从而完成了一种新的Markov随机场模型的分割方法.实验结果表明,采用此方法分割纹理图像可以获得较好的分割结果.     

基于整数可逆模糊度变换和概率计算的GPS动态数据处理快速算法

在讨论整数可逆模糊度变换对模糊度搜索空间影响及直接取整法成功概率的基础上，结合Kalman滤波技术，提出一种新的GPS动态数据处理快速算法－－基于概率计算的模糊度快速分解技术（Probability Based Fast Ambiguity-resolution Technique,简称PBFAT法）。该算法在取整成功概率大于给定限值时，直接对浮点模糊度取整；若取整概率小于给定的值则进行一定范围的模糊度搜索。试验表明该方法的计算速度高于传统方法，所求的模糊度有一个明确的置信水平。     

基于小波变换的松驰法影像匹配

讨论了基于小波变换的松驰法影像匹配方法。采用小波变换对影像进行分解,生成影像匹配所需要的金字塔影像结构,并在传统松驰法影像匹配视差约束的同时,兼顾线性的特征的约束,从而提高了影像匹配的可靠性。     

地图信息度量方法的研究

概率统计方法是最早用于确定地图信息量的方法。但是,由于它的种种不适宜性而受到越来越多的怀疑。本文通过对概率统计方法的分析评价,试图跳出概率统计方法的框框,寻找一种更为有效的测度地图信息量的方法——综合指数法。试验结果表明,这种尝试是十分有效的。     

摄影测量与遥感学

CH950787多点最小二乘匹配的可变权阵阵列松驰算法/张祖勋,吴晓良(武汉测绘科技大学)∥测绘学报/测绘出版社.—1994,(3).—167～176 详细介绍了多点最小二乘匹配的常规算法和由阵列代数表示的阵列松驰算法,并把Rauhala限于等极的情形扩广到不等权(变权)的情形,给出了实现阵列松驰的步骤,最后从计算效率、匹配精度对常规算法,等权阵列松驰和不等权阵列松驰进行了比较、分析,揭示了变权阵列松驰法巨大的实用潜力。图4表3参26 影象配准最小二乘配置     

一种基于概率框架的遥感影像分割方法

基于区域增长的影像分割方法存在着种子选择和分割参数设置的难点。针对这两点,本文提出了一种基于概率合并框架的高分辨率遥感影像分割方法。首先,利用基于标记的分水岭变换和区域合并获得一个初始分割结果,避开种子点的选择;其次,利用初始分割所获得的具有一定大小的区域,计算统计、上下文和形状特征信息;然后,在贝叶斯准则的基础上,计算一个尺度无关的相邻区域间的合并概率,其应用于区域增长合并过程,合并概率具有直观统计意义,可以减少阈值确定的难度;同时由于区域的合并概率具有尺度无关性,可以在一次分割中成功地分割出不同尺度的地物;最后进行了试验,通过目视和定量分析及与eCognition分割结果的对比证明了本文算法的有效性。     

GIS空间数据采集中概率松弛与神经网络的组合模型

本文介绍一种ＧＩＳ空间数据采集中概率松弛与神经网络的组合模型，该模型用于地图分色和立体影像的整体匹配。     

全局与局部寻优相结合的道路网匹配方法

针对面向道路网匹配的概率松弛法约束性指标单一且无法识别M:N匹配模式的不足,从兼顾全局和局部匹配最优的角度出发,提出了从局部角度顾及几何约束和拓扑约束,从全局角度完善M:N匹配模式的改进算法,设计并实现了不同匹配模式下的匹配策略。测试结果表明,该方法的整体匹配精度和召回率提高了7%~14%,均达到90%以上;空间与属性匹配度评价指标提高了3%~7%;可将待匹配路网中最邻近结点平均距离的两倍值作为缓冲区阈值设定的参考依据,从而验证了该方法的可行性与可靠性。     

利用概率松弛法的城市路网自动匹配

多源空间数据匹配是空间数据集成与互操作,变化检测与数据更新的重要前提。路网数据匹配在导航、智能交通和基于位置服务等领域具有重要的研究意义和实用价值。本文提出一种基于概率松弛方法的城市路网自动匹配方法,该方法首先通过路段间几何差异性估算候选路段的初始概率,然后根据邻接候选匹配路段的兼容性不断更新原概率矩阵直到收敛于某一极小值。最后基于收敛的概率矩阵计算各候选路段的结构相似性,并通过设定相应的规则选取和提炼1: 1, 1: M和M: N匹配对。实验选取中国武汉,瑞士苏黎世地区的OpenStreetMap数据与导航数据进行匹配算法的验证。结果表明：本文算法对非刚性偏差较大的路网数据能达到较高精度,不存在匹配方向性问题,且能够识别1: 0, 1: M和M: N匹配。     

概率神经网络与BP网络模型在遥感图像分类中的对比研究

通过分析概率神经网络(以下称PNN)的基本结构及其训练算法,建立了卫星图像分类的概率神经网络模型,并通过实例对比分析了概率神经网络与BP网络分类模型的分类效果。实验表明,PNN图像分类方法在分类精度上优于误差反向传播神经网络模型,且分类时间相当,是一种有效的图像分类方法。     

结合先验概率估计的GF-3影像水体概率估计方法

综合SAR(synthetic aperture radar)影像的统计模型假设与k-means聚类算法,提出了一种结合水体分布先验概率估计的水体概率估计方法。首先,用贝叶斯推断对研究区域后向散射系数做统计模型假设。随后,结合聚类算法对像元作分类,估计水体分布先验概率,结合统计分布直方图使用非线性最小二乘拟合完成模型参数估计。试验选取了高分三号(GF-3)多种工作模式数据,并用高分一号(GF-1)影像进行验证。结果表明,该方法可有效实现SAR影像的高精度水体概率估计。     

A New Combined Assessment of Mixed Uncertainty in Spatial Models: Conceptualization and Implementation

Uncertainty quantification is not often performed in spatial modeling applications, especially when there is a mixture of probabilistic and non‐probabilistic uncertainties. Furthermore, the effect of positional uncertainty is often not assessed, despite its relevance to geographical applications. Although there has been much work in investigating the aforementioned types of uncertainty in isolation, combined approaches have not been much researched. This has resulted in a lack of tools for conducting mixed uncertainty analyses that include positional uncertainty. This research addresses the issue by first presenting a new, flexible, simulation‐oriented conceptualization of positional uncertainty in geographic objects called F‐Objects. F‐Objects accommodates various representations of uncertainty, while remaining conceptually simple. Second, a new Python‐based framework is introduced, termed Wiggly and capable of conducting mixed uncertainty propagation using fuzzy Monte Carlo simulation (FMCS). FMCS combines both traditional Monte Carlo with fuzzy analysis in a so‐called hybrid approach. F‐Objects is implemented within the Wiggly framework, resulting in a tool capable of considering any combination of: (1) probabilistic variables; (2) fuzzy variables; and (3) positional uncertainty of objects (probabilistic/fuzzy). Finally, a realistic GIS‐based groundwater contamination problem demonstrates how F‐Objects and Wiggly can be used to assess the effect of positional uncertainty.     

Measuring the goodness-of-fit of decision-tree models of discrete and continuous activity-travel choice: methods and empirical illustration

The use of decision tree models for predicting activity-travel choice is receiving increasing attention, but raises two related problems that are considered in this study. First, commonly used deterministic action-assignment rules should be replaced by probabilistic action-assignment rules. We develop such probabilistic rules for both discrete and continuous choice problems. Second, common goodness-of-fit measures such as the hit-ratio need to be replaced by likelihood measures. In this paper, we develop and empirically illustrate the interrelated methods and measures. The findings suggest that the new measures add information to existing statistics for discrete as well as the continuous choice.     

高光谱影像概率分类向量机分类方法研究

从分析基于支持向量机和相关向量机的高光谱影像分类方法的优势和不足出发,将基于概率分类向量机的方法用于高光谱影像分类试验。在贝叶斯理论框架下,概率分类向量机为基函数权值引入截断Gauss先验概率分布,使得不同类别的基函数权值具有不同符号的先验分布,并利用EM算法进行参数推断,得到足够稀疏的概率模型,弥补了相关向量机选取错误类别的样本作为相关向量的不足,从而有效地提高了模型的分类精度和稳定性。OMIS和PHI影像分类试验表明,概率分类向量机能够很好地应用在高光谱影像分类。     

震后GPS坐标时序中对数弛豫时间的估计

全球定位系统（global positioning system, GPS）坐标时序去除同震形变和震前稳态速度场后,采用加权非线性最小二乘估计震后对数弛豫时间,可更准确地提取震后对数弛豫项,从而可以分析震后弛豫项对测站位移的独立物理贡献,并为震后余滑和黏滞性松弛效应等现象的分析提供参考。以日本2009—2019年GPS坐标时序为例,估计2011年Mw 9.0地震震后对数弛豫时间,发现不同站点的对数弛豫时间与其震中距关系显著,且服从高斯分布。据此,构建高斯函数加常数模型,可由震中距概略估计震后对数弛豫时间。高斯分布曲线的峰值、峰值位置、半宽度信息、最低位置分别为3.5 a、0 km、262 km、0.5 a,由此得出震后对数弛豫项影响时间大于0.5 a的站点主要集中在震中距约524 km范围内。震后弛豫效应区域分布的差异性显著,对数弛豫时间越长的区域,弛豫项水平位移表征越大,其中存在两个平均弛豫时间2.5 a的中心区域,与震后余滑的中心区域及时间相吻合。     

高光谱影像光谱-空间多特征加权概率融合分类

提出了一种基于光谱-空间多特征加权概率融合的高光谱影像分类方法。首先,利用最小噪声分离(minimum noise fraction,MNF)方法对高光谱影像进行降维和特征提取,并以得到的MNF特征影像作为光谱特征,联合灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取的纹理特征、基于OFC算子建立的多尺度形态学特征以及采用连续最大角凸锥(sequential maximum angle convex cone,SMACC)提取的端元组分特征,组成3组光谱-空间特征;然后利用支持向量机(support vector machine,SVM)对每一组光谱-空间特征进行分类,得到每组特征的概率输出结果;最后,建立多特征加权概率融合模型,应用该模型将不同特征的概率输出结果进行加权融合,得到最终分类结果。为了验证该方法的有效性,利用ROSIS和 AVIRIS影像进行试验,总体分类精度分别达到97.65%和96.62%。结果表明本文的方法不但较好地克服了传统基于单一特征高光谱影像分类的局限性,而且其分类效果也优于常规矢量叠加(vector stacking,VS)和概率融合的多特征分类方法,有效地改善了高光谱影像的分类结果。