变形观测数据时间序列建模中的几个问题

针对在变形观测数据时间序列建模中所遇到的问题,对变形观测数据时间序列建模中的数据预处理、模型选择、模型定阶与系统稳定性检验等问题进行了研究,提出了分析数据趋势项提取的AR模型方法,编写了C语言计算程序,实现了样条函数插值方法、周期项提取的差值法,建立ARMA分析模型,对变形预测数据与实际观测数据进行了比较.结果表明:该方法的正确性以及时间序列分析方法在变形数据处理与分析中的适用性与可行性.     

无偏灰色模型和Origin拟合函数在变形监测预报中的对比应用

针对灰色模型的固有缺陷,通过白化方程与灰微分方程之间的参数变换实现了三类灰色模型的无偏性。通过3个实例对比分析了无偏灰色模型和Origin拟合函数在变形监测预报中的应用效果,结果表明,在“少数据建模”情况下,无偏灰色模型拟合预测精度与Origin拟合函数相当;当建模数据较多时,则不及Origin拟合函数。无偏灰色模型建模原理简单,可用于处理小样本变形监测数据。Origin拟合函数不需要考虑数据量和变形监测时间间隔,可用于处理变形监测数据。     

南宁市地下水位动态预测方法探讨

本文根据南宁市不同地带地下水的不同特征,将市区地下水动态类型划分为四类,即:(1)恢复型趋势动态;(2)干扰型趋势动态;(3)水文型周期动态;(4)平稳型动态。根据各类型的不同特声,分别运用了时间序列分析法、频谱分析法、灰色系统理论、数值法等多种方法,对地下水动态进行了建模预测探讨。认为:要进行准确的动态预测,首先要对数据序列所包含的地下水类型、动态类型进行识别。由于不同的预测方法处理数据的效果不同,如自回归、正交多项式回归、灰色模型等,处理平稳数据序列效果较好,但对具周期性或季节因子显著的动态,就不如方差分析、周期图分析等;在有条件的情况下,用有限元法进行建模预测,效果优于其它方法。     

基于线段的基本线/线拓扑关系计算

空间拓扑关系是空间数据建模、空间查询、分析、推理、制图综合、数据质量控制、数据更新等的基础。目前空间拓扑关系研究的主要成果仍然集中在拓扑关系的描述方面,在计算方面的阐述都非常薄弱,不足以指导系统开发人员编程实现。本文研究了IR2中两个简单线目标间拓扑关系的计算方法,重点分析了线/线拓扑关系计算的特点,提出了一种基于线段的线/线拓扑关系计算方法,并用VC＋＋采用底层开发模式实现了基本线/线拓扑关系的计算。     

样本数据预处理对基于BP神经网络的GPS高程拟合的影响

分析在基于BP神经网络的GPS高程拟合建模中样本数据预处理的必要性,并列举了归一化、中心化、标准化3种数据预处理方法,然后结合实例,在神经网络建模中增加一个数据预处理层,分别用3种训练方法对基于不同数据预处理的模型进行训练建模,将计算结果进行对比分析,并与二次曲面模型结果进行比较,得出不同数据预处理方法对基于神经网络的GPS高程拟合建模精度的影响不同,且神经网络方法比二次曲面方法的拟合精度更高。     

多维观测的矩阵参数建模与加权最小二乘估计

针对常规向量参数法多维观测建模与平差效率低的问题，分析指出多维观测矩阵参数建模条件应满足不同观测维度的参数独立且个数相等特点（简称独立同构特征），进而利用该建模条件、Kronecker积运算性质和加权最小二乘原理提出矩阵参数建模与加权最小二乘估计方法。该方法顾及不同观测维互相关性，增大系数阵稠密度，降低法矩阵阶数，从而有效提高了建模与平差计算效率。空间直线和GPS站坐标时序模型计算结果均表明，向量参数法和矩阵参数法平差结果相同，但后者具有更高的存储与计算效率。     

群组目标空间方向关系建模

已有的空间方向关系描述模型大都针对空间单个目标,对于群组目标空间方向关系计算模型却鲜有研究和论著。为此,提出适用于群组目标空间方向关系的定性描述与定量计算模型。首先,群组目标空间方向关系定性描述模型利用带约束的Delaunay三角剖分与动态阈值“剥皮”法求得了源目标群分布边界多边形;然后,以方向关系矩阵模型为依据对其方向关系进行了定性描述与建模;其次,运用数学形态变换理论对参考目标群进行“膨胀”,求解“膨胀”后的参考目标群与源目标群的交集;最后,在此基础上结合地学信息图谱相关理论实现了群组目标空间方向关系的定量计算与建模。实验表明,群组目标空间方向关系定性描述模型较好地顾及了群组目标的空间形态对空间方向关系的影响,能够对空间方向关系做出较为准确的定性判断;群组目标空间方向关系定量计算模型实现了群组目标空间方向关系的精确定量描述,且能够以形象直观的方式对群组目标空间方向关系进行可视化表达。2种模型较好地解决了群组目标空间方向关系的描述与计算问题。     

加权复合分位数自回归模型在隧道围岩变形预测中的应用

提出加权复合分位数自回归模型对隧道围岩变形进行预测的新方法,并给出其原理和实现算法。以昆明市阳宗隧道为例,对加权复合分位数自回归预测模型进行计算,并与其他模型进行对比分析。结果表明,新方法预测效果优于非加权复合分位数估值的AR(2)模型、基于最小二乘参数估计的自回归预测、经遗传算法优化的支持向量机等预测方法。     

基于多元整体最小二乘优化的多点灰色动态变形分析模型

提出一种多元整体最小二乘优化的多点灰色动态模型,并结合实例验证优化的MGM(1,n)模型的优越性。将优化的MGM(1,n)模型与一般的MGM(1,n)模型进行对比,分析两种模型的建模值和预测值。结果表明,优化的MGM(1,n)模型在建模数据多于4期的情况下建模精度更高,预测精度更准确,更符合实际情况。     

土壤粒径的光谱响应特性研究

以实验室制备的5个不同粒径水平的土壤样本和室内高光谱数据为基础,通过对光谱数据进行重采样、数学变换等预处理并进行单因素方差分析、相关性分析和回归分析,探讨土壤粒径的高光谱特性,建立了光谱数据预测土壤粒径的校正模型。结果表明,土壤粒径对反射光谱有显著的影响,波长越长影响越大;在全波段范围内土壤粒径和光谱数据都呈负相关关系,对原始光谱数据进行微分变换能增加其与土壤粒径的相关性;以反射率一阶微分建立的回归模型为反演土壤粒径的最佳模型,其建模决定系数■、预测决定系数■、预测相对偏差RPD分别为0.666,0.653,2.043,预测均方根误差RMSE为0.175。     

一种改进的平方根滤波在卫星钟差实时解算中的应用

目前普遍采用卡尔曼滤波方法来实现非差法卫星钟差的实时解算。平方根滤波可以增强数值计算的稳定性,避免滤波发散,但矩阵的求逆会耗费较长的计算时间;序贯算法可以避免对矩阵直接求逆,能提升计算效率。综合两种算法的优点,提出一种基于序贯算法的平方根滤波器,并应用于卫星钟差的实时解算,得到的卫星钟差精度优于0.2 ns,且计算时长缩短40%。     

海量卫星重力梯度观测数据确定地球重力位模型的数值方法

基于空域最小二乘法,对卫星重力梯度数据确定地球重力场中的Cholesky分解法、预条件共轭梯度法以及OpenMP并行算法3种数值方法进行比较与分析。研究表明,在计算机硬件资源有限的情况下,传统的Cholesky分解法已经无法满足求解要求;预条件共轭梯度法的求解效率较之Cholesky分解法有改进,但其以损失小量精度为代价;OpenMP并行算法在不损失求解精度的条件下,可提高求解的效率。     

移动格林基函数样条二维插值算法研究

针对用于插值的已知点较多时,插值计算需要解算大规模矩阵、计算耗时长甚至无法解算的问题,引入移动曲面的思想,取插值点周边最邻近k个已知点进行格林基函数二维样条移动插值,实例计算结果表示,该方法的插值精度高于Shepard插值法与多项式拟合法的精度。插值范围大及测点数量众多时,该方法仍可用,无需数据分区与光滑接边,与整体插值相比可大大降低计算时间。     

基于GF组合自适应阈值模型的BDS周跳探测方法

针对北斗3种不同类型卫星轨道在静态及动态环境下相位历元差与卫星高度角和采样率之间的关系,构建适用于不同轨道卫星GF组合自适应阈值模型的BDS周跳探测方法。结果表明,本文方法可适用于北斗各类轨道卫星高度角较低及电离层活跃等不利观测环境下的周跳探测,尽可能地避免各采样率情况下的错判及漏判现象,显著提高采样率较低及多路径误差较大时的探测准确率。     

关于奇异线性模型最好线性无偏估计的计算

讨论了奇异线性模型最好线性无偏估计(BLUE)的计算问题。利用分块求逆的技术，给出BLUE的一种新的表达式，其计算量比直接利用C．R．Rao所给公式的小。对新表达式的计算，给出半正定矩阵广义逆的分块求逆算法及消去变换算法。     

多层建筑空间的分层最优路径算法实现

由于多层建筑空间相对于室外环境存在按楼层分层的三维空间特性,在室内路径分析中需考虑楼层空间位置信息对最优路径规划的影响,而传统基于节点之间的网络连通拓扑模型的最优路径规划方法并没有空间概念,不能很好地应用于室内路径分析。为此,针对室内最优路径规划问题,基于多层建筑空间的层次特性,采用分层结构化的方法,提出结构化动态网络分析模式,实现了室内分层最优路径算法。该算法将各楼层路网和楼层连接均视为独立结构,根据停靠点的楼层分布情况,逐楼层动态构建跨越2个楼层的结构化网络模型并以该网络模型进行跨楼层的路径分析,从而得到多层建筑空间中遍历所有停靠点的最优路径。试验结果表明：相比传统最优路径算法,该算法在路径规划结果更加合理的情况下,时间效率有明显提高;另外,结构化动态网络分析模式可根据需求定义不同的楼层转换规则,更具灵活性。该算法可应用于城市大型公共建筑中,让室内路径分析与室外路径分析进行对接,使路径分析更科学、全面、合理。     

基于N-KD树的空间点数据分组算法

随着科学技术的进步,地理空间数据的分析处理面临着数据量膨胀和计算量高速增长的双重挑战,为了解决海量数据处理速度慢的问题,本文针对空间分布不均匀的点数据,从数据并行的角度,以保持数据的空间邻近性及保证数据分组后各组数据量负载均衡为目标,提出基于N-KD树（Number-K Dimension Tree）数据动态分组的方法,其是一种面向实时变化（数据量和数据空间范围变化）的空间数据动态分组方法。该方法借鉴K-D树的创建和最临近点搜索的思想,通过方差判断数据分布稀疏程度,利用最临近点搜索方法处理边界点,实现空间范围的不均等切分,保证数据分组后各组数据量基本均衡。试验表明,该方法具有较好的动态分组效果与较高的计算效率;支持各种分布状态的空间点数据的分组;分组后各组数据量负载均衡;分组算法本身有支持并行、支持分布式协同工作模式的特点。     

基于能量守恒方法的重力场反演快速异构并行算法

在利用卫星跟踪卫星资料解算重力场模型位系数时,其海量观测数据处理以及大型方程组解算过程存在计算效率低下、对平台硬件要求高等问题。针对以上问题,提出一种基于能量守恒方法的重力场反演快速异构并行算法,基于CUDA 在GPU端实现并行计算设计矩阵,结合MKL库与分区平差法、预处理共轭梯度法在CPU端完成低内存消耗下的法方程快速构建与求解,实现重力场模型反演的异构并行计算。运用该算法处理GRACE-FO卫星2020-01-01～06-30期间观测数据,反演获得120阶重力场模型GM-GraceFO2020h;与现有模型以及算法对比分析表明,该算法所得模型与现有GRACE重力场模型精度相当,且相较于传统的串行算法,反演耗时减少98.479%,内存消耗减小1个数量级。     

基于边云协同的AR空间分析计算框架

地理数据的增强现实（AR）技术,是地理信息可视化的重要发展方向之一。受限于头戴式AR设备有限的计算能力,已有的地理信息AR研究多集中于地理信息的可视化,并未提供复杂的空间分析计算功能。本文提出了一套基于边缘计算与云计算协同的AR空间分析计算框架。AR端完成空间数据的可视化、人机交互、数据预处理等;云端则完成复杂的空间分析计算任务以及空间数据的持久化存储;边云二元存储方法和三维可视化模型-三维地理模型间的坐标转换模块完成AR端和云端间的高效链接;从而达到高效率的、端对端的协同计算。基于该框架,本文利用头戴式AR设备Hololens,并基于武汉市的建筑物三维数据和天空可视因子算法,实现了在AR可视化的同时进行复杂的空间计算。结果表明,在保证空间分析计算效率和精度的同时,Hololens性能表现稳定,三维空间可视化的体验良好（FPS约35）,证明了边云协同框架下的AR在空间分析计算具有广阔前景。