监测数据小波方法的回归估计及应用

提出一种基于小波分析和回归估计的变形预测模型,基本思想是根据小波分析的优点,对监测数据进行小波分解,通过对小波系数进行估计得到回归估计函数。由于在小波分解过程中对小波系数作用于阈值,即对监测过程受到的干扰进行了消除或降低,从而使建立的预测模型更接近于变形体规律,预测更准确。实例计算表明,这种模型是切实可行的。     

地面高光谱和PROSAIL模型的冬小麦叶绿素反演

针对现有研究在反演叶绿素含量不足的问题,该文基于地面高光谱和实测农学数据,采用PROSAIL模型和连续小波变换并结合偏最小二乘回归、支持向量机和人工神经网络方法反演冬小麦叶绿素。先通过PROSAIL模型模拟作物光谱,再对模拟光谱进行连续小波变换,筛选出敏感波段和尺度并应用于4组实测数据,最后利用小波系数和实测叶绿素构建偏最小二乘回归、支持向量机和人工神经网络反演模型。研究结果表明,利用小波系数构建反演模型的精度相比于植被指数反演有所提高,在基于小波系数反演叶绿素的方法中偏最小二乘法精度略高于其他两种方法。通过将PROSAIL模型、连续小波变换和偏最小二乘回归结合能够实现冬小麦叶绿素遥感估算。     

小波域隐马尔可夫树模型对多光谱影像的去噪研究

传统小波去噪方法认为尺度间小波系数是无关的,但实际小波系数具有明显的相关性,基于此,提出了一种基于小波域隐马尔可夫树模型的多光谱影像去噪方法。首先对影像各波段的小波系数进行建模;然后通过最大期望算法对小波域隐马尔可夫树模型参数进行估计,得到小波系数后再进行小波逆变换;最后通过波段合成得到去噪后影像。实验结果表明,该方法 MSE和NMSE值最小,是其他方法的1/2~1/32;SNR和PSNR值最大,是其他方法的1~2倍,说明影像的降噪效果较好,且较好地保留了影像边缘和细节信息,为影像后续处理奠定了基础。     

基于小波系数统计特征的SAR图像恢复

基于小波系数统计特征，提出了一种SAR图像恢复方法。首先将对数变换后的SAR图像进行平稳小波分解，基于小波系数统计特征，用α—stable分布分别对纯净信号和噪声建模，估计出各部分模型参数后，用MAP估计器对处理后的SAR图像进行非线性处理来恢复出纯净图像。实验结果表明，该方法能在抑制噪声的同时最大程度地保持纹理细节。     

小波分析在植物叶绿素高光谱遥感反演中的应用

监测叶绿素含量对研究作物与环境之间的相互影响具有重要的意义,高光谱遥感是提取叶绿素含量的可行技术.将小波分析的方法用于植物叶片的反射光谱,以小波系数作为回归变量来反演植物的叶绿素浓度.研究结果表明,通过对叶片光谱进行连续小波分解后得到的小波系数,可以准确地反演叶绿素浓度,反演的精度优于基于光谱指数的精度.     

结合双树复小波和广义回归神经网络的钟差预报方法研究

针对卫星钟差呈现出非线性、非平稳变化的特性,提出了一种基于双树复小波和广义回归神经网络的卫星钟差预报方法。该方法充分利用双树复小波变换的完全重构、近似平移不变性和较好的方向选择性等优良特性,首先把钟差时间序列分解成具有不同频率特征的分量,然后根据各分量的特点构建高频和低频广义回归神经网络进行预报,最后将各分量的预报结果进行叠加得到最终的预报值。以IGS提供的钟差数据为例进行试验,并与单一的灰色模型、最小二乘支持向量机和广义回归神经网络的预报结果进行对比分析。结果表明,该方法具有较高的预报精度,对于较长时间的钟差预报也能保证较好的预报效果,应用于卫星钟差预报可行、有效。     

优选小波函数的小波神经网络预报GPS卫星钟差

为了提高卫星钟差预报的精度,针对小波神经网络(WNN)模型未能根据实际情况选取合适的小波函数的问题,本文提出一种基于"Shannon熵-能量比"的优选小波函数的小波神经网络钟差预报模型。首先利用小波函数对钟差一次差分数据进行连续小波变换,得到变换后的小波系数。然后分别计算小波系数的能量值和Shannon熵值,将"Shannon熵-能量比"(SEE)作为最优小波函数选择的评价指标,以指导选择最适合的小波函数作为WNN模型的激活函数。最后利用优选的WNN模型对卫星钟差进行预报,对预报的结果进行对比分析。结果表明:该评价指标能够根据卫星钟差实际情况准确指导WNN模型选择合适的小波函数,提高WNN模型的预报精度和适用性,使该模型可以实现卫星钟差较高精度的预报。     

基于地理国情数据的PM_(2.5)因子多元回归分析

针对对PM2.5和与其相关的测绘成果进行的相关分析和回归模型分析相对不足的问题,该文以河北省石家庄市为研究对象,在相关因素分析的基础上,运用多元线性回归分析与多元非线性回归分析两种方法对石家庄市PM2.5浓度与扬尘地表、工业企业分布、地表覆盖以及道路等地理国情数据进行回归建模,并进行对比分析,根据判定系数R2得到最优建模方法及PM2.5重要影响因素及其影响关系。结果表明,该实验中多元非线性回归分析能获得较好的拟合效果,由模型可以看出扬尘地表、未利用地、人造覆盖面积与PM2.5呈正相关,是影响PM2.5的重要因素。该研究结果对于认识空气中PM2.5的来源与分布特征具有重要的参考价值。     

基于小波分析AR(P)-SVR组合模型在大坝变形预测中的应用

监测序列经小波分解后,得到低频分量和高频分量。对低频分量采用自回归AR(P)模型预测,对高频分量采用支持向量回归机SVR模型预测,最后将各分量进行小波重构,得到监测序列的预测值。结果表明,此种预测方法比直接使用SVR模型或经小波分解后再采用SVR模型预测精度高。     

基于小波变换的多聚焦图像融合算法

针对多聚焦图像因聚焦点不同而产生的图像模糊问题,提出了一种基于小波变换的新融合方法。该方法首先对图像进行小波分解,然后对图像的高频和低频系数分别采用区域梯度和能量加权平均法进行融合,再使用小波逆变换得到融合后图像。对实验结果进行主、客观评价的结果表明,该方法得到的融合图像具有较好的主观视觉效果和客观量化指标,效果优于传统融合方法。     

基于小波变换的土壤重金属铬含量定量反演

耕地污染日益严重,耕地土壤的重金属高光谱信息属于非线性的微弱信号。小波变换作为常用的非线性微弱信号处理手段,在保留更多微弱信号的基础上可以更好的提取出土壤重金属的微弱光谱信息。文中研究在Db4小波对土壤原始光谱进行分解与重构的基础上提取特征波段,利用特征波段与重金属含量的相关性建立偏最小二乘模型反演土壤重金属铬含量。研究表明,利用Db4小波函数对原始光谱进行分解和重构可以有效提取土壤重金属铬的特征光谱信息;利用小波分解与重构所提取的特征光谱信息与重金属铬含量之间的相关性所建立的PLS模型的决定系数明显高于基于传统一阶微分处理土壤光谱所建立的PLS模型的决定系数。     

基于小波分析回归模型的大坝监测数据处理

为了克服回归模型的一些缺点,将小波分析引入到回归模型里面,建立一种混合模型。本文通过介绍回归模型和小波变换,建立小波回归的混合模型,介绍建模的流程,通过小波变换来优化监测数据,再得到回归模型的估计函数。通过与回归模型的比较分析,说明这种混合模型较优的分析效果,更好的预测精度。     

基于模糊隶属函数的参数稳健估计

参数估计过程经常遇到2个主要问题:一个是最小二乘与稳健估计不能兼顾最优无偏性和稳健性;另一个是非线性模型参数估计进行线性近似处理中带来的模型误差导致对粗差的错误鉴别和定位。针对以上2个问题,提出了基于模糊隶属函数的稳健估计方法。该方法通过隶属度加权来削弱个别粗差污染数据对参数估计结果的影响,从而达到提高参数估计稳健性的目的。分别用线性回归模型和非线性回归模型对该算法进行了验证,结果表明,该算法对粗差具有较好的抵抗能力,能够对参数进行稳健估计。     

Smoothing/filtering LiDAR digital surface models. Experiments with loess regression and discrete wavelets

This paper reports on the smoothing/filtering analysis of a digital surface model (DSM) derived from LiDAR altimetry for part of the River Coquet, Northumberland, UK using loess regression and the 2D discrete wavelet transform (DWT) implemented in the S-PLUS and R statistical packages. The chosen method of analysis employs a simple method to generate ‘noise’ which is then added to a smooth sample of LiDAR data; loess regression and wavelet methods are then used to smooth/filter this data and compare with the original ‘smooth’ sample in terms of RMSE. Various combinations of functions and parameters were chosen for both methods. Although wavelet analysis was effective in filtering the noise from the data, loess regression employing a quadratic parametric function produced the lowest RMSE and was the most effective.     

基于分位数回归的幂多项式在数据分析中的应用

针对路基沉降与观测时间存在非线性关系,且传统最小二乘参数估计精度不高的问题,建立具有较强逼近能力的幂多项式路基沉降预测模型,并用分位数回归估算模型系数。工程实例表明,基于分位数回归估计的幂多项式预测模型具有较高的精确度,优于最小二乘估计的幂多项式预测模型和多变量灰色预测模型,为沉降预测提供一种新方法。     

结合多尺度几何分析和KICA的遥感图像变化检测

为了进一步提高基于独立分量分析ICA(Independent Component Analysis)的遥感图像变化检测精确度,更好地实现地表覆盖的动态监测,将多尺度几何分析和核独立分量分析KICA(Kernel Independent Component Analysis)相结合应用于遥感图像的地表覆盖变化检测。首先利用Contourlet变换、复Contourlet变换CCT(Complex Contourlet Transform)、非下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)等多尺度几何分析对土地遥感图像进行多尺度分解;然后对分解后的数据进行核独立分量分析,通过核函数将数据映射到高维特征空间中,再在该空间中用ICA方法分离出互相独立的分量;最后将分离后的地表变化分量转化为图像分量,再采用最大类间方差法对变化图像进行分割,实现地表覆盖的变化检测。给出了本文方法和近年来提出的基于ICA、基于KICA、基于小波变换和ICA等变化检测方法的实验结果,并进行了分析和定量比较。实验结果表明,基于多尺度几何分析和KICA的变化检测方法能更好地分离出遥感图像的变化信息,其中基于NSCT和KICA方法的错判和漏检误差最小,且在边缘细节方面处理得更好,而基于Contourlet变换和KICA方法的检测效率相对较高。     

结合BM3D和多级非线性加权平均中值滤波的遥感影像混合噪声去噪方法

提出了一种基于三维块匹配（BM3D）和多级非线性加权平均中值滤波的遥感影像混合噪声去噪方法，使用coief3小波和sym2小波替换传统三维块匹配算法中的bior1.5和hear参数，将三维块匹配算法和多级非线性加权平均中值滤波相结合以提高算法对混合噪声的去噪能力。进行一个仿真对比试验和一个真实遥感影像去噪试验，试验表明，本文提出的方法在遥感影像混合噪声去噪方面效果要优于传统混合噪声去噪方法。     

小波阈值去噪法在矿区地表变形监测数据处理中的应用

为了解决矿区地表变形观测数据中含有的粗差对地表沉陷规律研究带来的不利影响,提出了采用小波阈值去噪法对原始观测数据进行处理。分析了小波阈值去噪的基本过程,讨论了小波阈值函数,并对两种阈值函数进行了对比;使用Matlab小波工具箱对观测数据进行分析并建立回归曲线,与地表实测沉陷值进行了验证。结果表明:相比常用的数据处理方法,小波阈值去噪法能有效消除粗差对变形结果的影响,实现了矿区高精度、动态的地表变形监测,具有较高的推广价值。     

基于第二代小波变换的脉搏信号去噪处理

小波变换在信号处理中有着广泛的应用,但是传统小波变换依赖于傅立叶变换,有大量的卷积运算,运算速度较慢。本文介绍了第二代小波变换的基本原理,并用其处理脉搏波信号。在滤除噪声时采用了一种新的阈值函数,消除了软阈值法和硬阈值法的局限性,第二代小波变换的结果与传统小波变换的结果对比表明第二代小波变换的处理效果优于传统的小波变换。