周期基数插值对偶尺度函数和对偶小波

在对二维周期基数插值小波的尺度函数和小波函数研究的基础上,对二维周期基数插值小波的对偶尺度函数和对偶小波进行了研究,得到了一系列重要的结论。     

关于勒让德函数的两点注记

证明了勒让德多项式 Pn(x)的 k阶导数 P(k)n (x) ,在闭区间〔-1 ,1〕上关于权函数ρ(x) =(1 -x2 ) k具有正交性 ;伴随勒让德函数 Pnk(x)的导数 P′nk(x)在〔-1 ,1〕上关于权函数ρ(x) =1 -x2 具有部分正交性。     

基于小波的图像插值方法

本文在分析已有插值基函数和小波函数、小波变换的基础上提出一种应用小波作为插值基函数进行图像插值的方法,给出了该方法在一般图像插值方面在多幅图像的信息揉合和累积方面的应用,并分析了一般图像插值方法在图像之间存在辐照度差异时的可行性和在同名点之间存在相对空间信息差异时的操作方法。最后,采用４幅ＰＯＬＤＥＲ多角度遥感图像对本文所述方法进行了验证。实验表明,本文所述方法是可以较好地进行图像插值的。     

沃尔什插值函数和沃尔什级数

本文研究了基于沃尔什函数系的沃尔什插值函数和沃尔什级数，证明了沃尔什插值函数的存在唯一性，并得到了沃尔什插值函数和沃尔什级数的一系列收敛结果。     

小波函数应用于GPS高程拟合的分析

将小波函数引入到GPS高程拟合,利用小波基函数伸缩平移的特性,结合最小二乘法对散乱的GPS点进行拟合。通过实例验证了小波函数实现GPS高程转换的可行性,并与传统拟合算法多项式曲面拟合法的计算结果进行比较,证明在大面积且地形起伏较大的测区,小波函数拟合残差值更小,精度优于多项式曲面拟合法,更能反映测区实际高程异常的变化。     

埃尔米特插值函数在公路平面线形设计中的应用

三次样条函数在公路平面线形设计中有广泛的应用,但由于没有统一的函数表达式且计算量大,因而在应用上不便。埃尔米特插值函数的特点决定其能很好地逼近被插值函数,且计算过程简便。公路平面线形实例设计表明,三次埃尔米特插值函数用于公路平面线形设计中,能够满足路线设计规范(JTJ011-94)的要求,其设计结果与三次样条函数设计结果接近。本研究建立了公路平面线形设计的埃尔米特插值函数方法,可供公路平面线形设计工作参考。     

顾及异向性的局部径向基函数三维空间插值

针对三维局部径向基函数(radialbasisfunction,RBF)空间插值过程中合理设置待插值点的邻近搜索范围问题,提出了一种依据变异函数分析探索空间异向性的局部径向基函数插值方法。首先,构建采样点的协方差矩阵求解数据的三个轴向;然后,通过旋转变换将数据变换到新的坐标系下,根据地统计中的变异函数计算三个方向的变程,并将三个变程设置为局部搜索椭球体的三个轴;最后,对每个采样点构建节点RBF,通过对待插值点影响范围内的节点RBF进行线性加权组合,求出待插点的属性值。实验结果表明,该方法顾及了空间数据的异向性,计算精度高,插值结果可靠,是一种可行的顾及异向性的三维空间插值方法。     

GNSS高程转换的B样条函数模型精度与分析

详细研究了B样条函数用于GNSS高程转换的函数模型与转换精度,并与三次样条函数、三次赫米特插值的高程转换精度进行比较,分析得出以下结论：1)当控制点间距约为5 km时,三次非均匀B样条函数、三次样条函数和三次赫米特插值的高程转换精度优于1.0 cm,且95%以上的转换高差都满足四等几何水准的限差要求,整体上三次非均匀B样条函数的高程转换精度与三次样条函数、三次赫米特插值的高程转换精度基本相当。2)算例一表明三次均匀B样条函数的高程转换精度差于三次非均匀B样条函数、三次样条函数以及三次赫米特插值,原因是控制点间距不均匀。当控制点的间距小于30 km时,三次非均匀B样条函数、三次样条函数以及三次赫米特插值均有87%以上的转换高差满足四等几何水准的限差要求。在高程异常变化较为平坦的线性工程中,采用三次非均匀B样条函数模型进行高程转换的控制点间距建议不大于30 km,且在高程异常剧烈变化区域相应增加控制点有利于提高高程转换精度。     

利用时空Kriging进行气温插值研究

以黑龙江省近37a的月均气温数据为研究对象,介绍了一类积分式时空协方差(变异)函数模型进行时空Kriging插值。针对月均气温呈现出的明显季节变化,对各站点的气温进行去季节项处理,并在此基础上建立时空变异函数。将空间维的普通Kriging插值扩展至时空维,同时考虑空间和时间相关性对研究变量进行时空估计,并将估计结果与空间Kriging插值效果进行了比较。结果表明,时空插值效果理想,插值精度较空间Kriging更高。     

时序变差函数特征驱动下的月平均降水空间分布模拟

高精度降水场是水文、气象以及环境分析的重要数据支撑,直接影响相关服务的准确性。传统降水分布模拟大多依赖站点空间维的驱动因素,而忽略了降水时序变化特征对其空间分布的影响。使用2015—2017年中国湖北省83个国家气象观测站点和28个省级观测站点近3 a月平均累积降水资料,通过相关性分析,引入站点降水时序理论变差函数模型的拱高值(C)和块金值(C₀)作为影响因素,使用地理加权回归(geographically weighted regression, GWR)建立湖北省月平均降水分布模型。结果表明:（1）各站点降水的时序变差函数曲线与降水的季节性基本吻合。站点时序理论变差函数模型中,有25.3%能够在4个月内达到平稳,36.14%在6个月内达到平稳。（2）站点降水时序理论变差函数模型的C和C₀与逐年12月平均累积降水在0.01水平（双侧）上显著相关,平均相关系数分别为0.745和0.526,大于地理位置和高程对降水的影响。（3）引入C和C₀ 有助于提升GWR模型的整体拟合优度和插值精度。对比仅使用经纬度的GWR模型和引入时序理论变差函数特征的GWR模型,3 a平均整体拟合优度从0.852提升至0.912。验证集站点插值精度评价显示,3 a绝对误差、均方根误差和平均绝对百分误差下降幅度均大于60%。因此,引入时序理论变差函数特征的时空GWR模型能够获得较高精度的降水模拟结果,更适合具有丰富历史降水资料地区的降水空间分布估算。     

基于高阶AR模型的陀螺随机漂移模型

陀螺随机漂移是影响惯性导航和组合导航精度的重要因素。首先用周期函数拟合和小波变换两种方法分别对随机漂移中的周期噪声进行分析和处理;然后对相关噪声建立高阶AR模型;最后将该模型应用在GPS／INS组合导航Kalman滤波中,并对结果进行分析和比较。结果表明,相比于周期函数拟合,小渡变换不仅能够更好地削弱周期噪声的影响,还能够削弱高频白噪声的影响;相比于一阶马尔科夫过程,高阶AR模型能够更好地描述随机漂移中的相关噪声;基于小渡变换和高阶AR模型的GPS／INS组合导航具有明显的优势。     

频谱分析在周期拟合中的应用

在时间序列数据处理中常碰到确定性信息的提取。确定性信息包含趋势项和周期项。拟合周期项需要知道频率，利用频谱分析则可准确地捕捉频率，从而获得良好的计算结果。     

InSAR干涉图的高斯加权圆周期滤波

本文在阐述与分析传统圆周期滤波方法--圆周期中值滤波的基础上,结合高斯函数,提出了高斯加权圆周期滤波算法,用真实的SAR干涉图数据实验,证明了该方法具有较好的滤波效果.     

改进的多项式+周期项模型的卫星钟差预报

针对现有的超快速钟差产品IGU精度较低以及无法满足实时PPP技术的问题,提出了一种改进的多项式+周期项钟差预报模型。该模型采用多项式+周期项非线性函数对钟差数据进行滑动估计,结合迭代法对拟合模型的随机误差进行自然修正,以实现对卫星钟差的预报估计。通过与常见的多项式模型、灰色系统模型和多项式+周期项模型的对比分析,结果表明:改进的多项式+周期项模型更加适用于卫星钟差预报,在1天内,其预报精度RMS可以达到0.57 ns,最大偏离程度为1 ns,明显优于灰色系统模型和多项式+周期项模型;随着预报时间的增长,多项式模型、灰色系统模型和多项式+周期项模型的预报精度大幅降低,而改进的多项式+周期项模型没有大幅的变化,预报结果比较稳定。      

Modeling and forecast of the polar motion excitation functions for short-term polar motion prediction

Short-term forecast of the polar motion is considered by introducing a prediction model for the excitation function that drives the polar motion dynamics. The excitation function model consists of a slowly varying trend, periodic modes with annual and several sub-annual frequencies (down to the 13.6-day fortnightly tidal period), and a transient decay function with a time constant of 1.5 days. Each periodic mode is stochastically specified using a second-order auto-regression process, allowing its frequency, phase, and amplitude to vary in time within a statistical tolerance. The model is used to time-extrapolate the excitation function series, which is then used to generate a polar motion forecast dynamically. The skills of this forecast method are evaluated by comparison to the C-04 polar motion series. Over the lead-time horizon of four months, the proposed method has performed equally well to some of the state-of-art polar motion prediction methods, none of which specifically features forecasting of the excitation function. The annual mode in the ₂ component is energetically the most dominant periodicity. The modes with longer periods, annual and semi-annual in particular, are found to contribute more significantly to forecast accuracy than those with shorter periods.     

小波变换在时间序列特征提取中的应用

时间序列的数学特征主要包括随机项、周期项以及趋势项.针对变形监测等测绘领域中如何对时间序列进行特征提取并进行分析与预测等重要问题,提出一种基于多尺度分析的小波变换方法.首先选取合适的小波基函数、分解层次等参数,其次将待分析的时间序列分解成低频和高频两部分,最后将分解后的时间序列投射到不同尺度上,从而可以提取所需要的有用信息.研究结果表明,基于多尺度分析的小波变换方法能够有效对时间序列进行特征提取,分析出其中的随机项、周期项、趋势项等信息,可以用于GPS变形监测等工程实际中.     

On Newton-like methods for solving nonlinear equations

In this paper, we present a family of general Newton-like methods with a parametric function for finding a zero of a univariate function, permittingf′(x)=0 in some points. The case of multiple roots is not treated. The methods are proved to be quadratically convergent provided the weak condition. Thus the methods remove the severe conditionf′ (x)≠0. Based on the general form of the Newton-like methods, a family of new iterative methods with a variable parameter are developed.     

On Newton-like methods for solving nonlinear equations

Introduction Manymethodsforsolvingnonlinearequations aredescribedindetail[1,2].TheNewtonmethod fortheapproximationofarootofnonlinear equationf(x)=0isanimportantandbasic method,whichconvergesquadratically.The Newtonmethodanditsdeformationsarefocused onallt…     

基于线性分析及AR模型在GNSS时间序列中的应用

GNSS技术是现代测量技术的代表。为了提高GNSS时间序列的精度,本文利用时间序列线性分析的方法,探测分析时间序列存在的趋势项、周期项以及复杂程度。利用线性拟合方法获取了3个方向的拟合函数;自相关和偏自相关函数探测出时间序列存在周期项和趋势项;应用AR(p)模型对时间序列进行了短期预测分析,通过模型定阶、估计,确定了AR(2)为最佳的预测模型,随着预测步数的增加,预测精度逐渐降低。