相空间重构单通道ICA算法及其在变形监测数据去噪中的应用

常用的去噪方法需对数据序列进行多尺度分解实现去噪,而未考虑信号本身的关联和特征。相空间重构单通道ICA算法依据相空间重构将一维信号扩展到高维相空间,从信号本身获取其隐含的动力学特征,从而利用独立分量分析分离有用信号和噪声。实验证明相空间重构的单通道ICA算法能够实现信号去噪,其去噪能力与多尺度分解去噪方法相当。此外,算法无须多尺度分解,自适应强,且适用于变形监测信号去噪。     

改进独立分量分析极化SAR影像相干滤波

极化合成孔径雷达(SAR)影像的相干斑滤波,对其后处理起着至关重要的作用。针对传统的独立分量分析(ICA)算法稳定性差、易陷入局部最优等缺陷,该文提出基于粒子群优化(PSO)改进的ICA滤波算法,用于进行极化SAR影像相干斑滤波。该方法利用PSO算法来改进解混矩阵W的行向量的生成过程,以提高ICA算法的分离效果。采用AIRSAR获取的旧金山海湾地区的L波段极化SAR影像进行实验,并用相干斑指数、迭代次数、收敛时间等指标进行客观评价。结果表明,基于PSO改进的ICA算法具有更高的收敛效率和更好的相干斑抑制性能,能有效地降低影像的相干斑噪声。     

基于KICA的多时相遥感图像变化检测

针对PCA变化检测方法的精度较低和ICA方法的线性局限性问题,提出了基于核独立成分分析(KICA)的多时相遥感图像变化检测方法。首先,将每一时相的图像转化为列向量,并把这些列向量组成矩阵;然后,通过核函数将矩阵映射到高维特征空间中,再在该空间中利用ICA方法分离出相互独立的图像分量;接着通过FCM算法分割表征变化信息的图像分量,并采用区域生长算法获得完整的变化信息;最后,分别利用本文方法与差值法、PCA方法和ICA方法对多时相遥感图像进行变化检测,并对检测结果进行定性分析和定量比较。结果表明,该方法能更好地分离出多时相遥感图像的变化信息,具有更高检测精度。     

大坝变形分析与预报的有限元法

在阐述有限元法基本理论的基础上，研究了采用ANSYS有限元分析软件进行大坝有限元建模、网格划分、荷载及边界条件施加等大坝变形分析的方法，在用有限元法获得水位位移分量及温度位移分量后建立大坝位移确定性模型，从而对大坝的变形监测提供可靠的依据。     

GPS动态监测形变信息提取技术

采用GPS技术对矿区地表移动进行动态监测,针对长距离差分动态定位精度受多因素残余误差的影响,利用主成分分析法(PCA)进行空间滤波,分离区域站点相关的共模误差,以提高坐标序列精度。为进一步分析矿区地表移动受多源影响,采用解决盲信号分离问题的独立分量分析法(ICA),提取各测站形变信息。通过实例与仿真分析,结果表明,利用PCA空间滤波可提高3个分量坐标序列精度分别为46.1%,71.0%及36.8%;基于特征矩阵联合似对角化算法(JADE)进行ICA分解,能够实现各测站形变信息的提取。     

大坝变形的去噪傅里叶模型预测

针对大坝变形预测中非平稳性且含噪声的数据处理问题,该文提出一种基于剔除含噪声信号的大坝变形傅里叶(Fourier)预测新算法。首先利用经验模态分解(EMD)法将变形时间序列分解成具有不同尺度特征的固有模态函数(IMF)分量,并计算出各分量与原始信号的相关系数;然后根据相关系数剔除含噪声的IMF分量,并采用游程判定法对剩余的波动程度相似或相同的分量进行信号重构;最后利用傅里叶函数对重构后的分量进行曲线拟合,并据此构建大坝变形预测模型,对出现的模型系数采用最小二乘算法求解。经算例验证,并与GM(1,1)、BP神经网络和傅里叶模型对比分析,结果表明该文算法预测精度较高,可用于大坝的变形预测。     

参考经验模态分解-独立分量分析及其在GPS多路径误差处理中的应用

多路径误差在绝大部分应用中,其测站间相关性很弱,不能通过差分观测得到有效削弱,成为高精度GPS动态变形监测中的主要误差源。针对GPS多路径误差的特点,结合具有良好多尺度分解能力的经验模式分解方法(EMD)和具有良好盲分离能力的独立分量分析(ICA)方法,提出带参考信号的EMD-ICA方法来削弱多路径效应的影响。应用实例的结果证明了该方法的有效性。     

基于盲信号分离的机载VDB接收机同频干扰抑制

针对民航飞机利用陆基增强系统(GBAS)进行精密进近着陆过程中,GBAS机载甚高频数据广播(VDB)接收机所受到的同频干扰问题,提出采用盲信号分离算法,对VDB接收机所接收到的期望信号与同频干扰信号进行分离,并通过识别解码数据中的机场标识(ID),得到所需期望信号,从而抑制同频干扰信号. 分析并仿真了基于快速固定点(Fast ICA)算法、自然梯度算法和等变自适应分离(EASI)算法,对VDB接收机接收到的混合信号进行分离的机理和同频干扰抑制的实现. 仿真结果表明,这三种算法均能有效分离期望信号与同频干扰信号,进而进行同频干扰抑制,并通过比较三种算法的收敛速度、串音误差和误码率,得出 Fast ICA算法更适合用于VDB信号的同频干扰抑制.      

大坝变形监测的粒子群优化高斯过程预测

针对大坝变形数据的非平稳非线性特点,传统预测模型受到了一定限制。鉴于高斯过程(Gaussian Process,GP)对非平稳数据具有高自适应性,考虑到其自身在协方差函数选取以及超参数优化方面存在不足,为提高高斯过程模型的预测精度,文中通过粒子群算法(Particle Swarm Optimization,PSO)优化其超参数并选择最优协方差函数。通过实例验证分析,比较多元回归分析、GP、PSO-GP三种模型在大坝变形监测数据处理中的预测精度,表明大坝非线性预测模型粒子群优化高斯过程算法具有较高的预测精度,是一种有效的大坝变形分析预测方法。     

利用ICA算法进行全极化SAR影像滤波研究

提出了一种基于ICA算法的全极化SAR的滤波方法.首先对全极化SAR的四通道dB强度影像进行ICA变换,分离出信号及噪声分量,将噪声设为极小值,然后利用混合矩阵混合得到滤除噪声后的强度影像,结合原始相位信息,计算滤波后的散射矩阵.采用Foulum地物的EMISAR数据进行试验,并采用相干斑指数、均方差指数、边缘保持系数以及极化相关系数进行评价.结果表明,该方法不但能有效滤除影像的噪声,在边缘等细节信息保持上也具有较大优势.此外,滤波后影像虽散射特性发生改变,但维持了地物间的差异,在基于统计特性的精细分类、边缘信息及小目标检测方面仍具有较好的应用潜力.     

单窗算法和单通道算法对参数估计误差的敏感性分析

单窗算法和单通道算法的提出为应用LandsatTM热波段反演地表温度开辟了新途径。由于进行地面像元尺度同步温度测量难度较大,目前尚无法对这两种算法进行直接评判。通过对算法所需参数分别取一定变动区间并进行渐变取值测算,分析了算法对其参数估计误差的敏感性,以此作为对这两种算法适用性的一个间接评判依据。     

AFSA-BP神经网络在大坝变形预测中的应用

经典BP神经网络的初始权值和阈值随机给定,使得训练速度慢、网络易于陷入局部极值。引入具有强大全局搜索能力的人工鱼群算法(AFSA)优化BP网络的权值和阈值,建立了基于AFSA-BP神经网络的预测模型,并对大坝的实测资料进行了实证分析。与经典BP神经网络预测模型的预测结果比较表明:AFSA-BP神经网络模型不仅训练速度快,而且预测精度明显提高,是一种较好的大坝变形预测模型。     

融合PSO-SVM的混凝土拱坝多测点变形监控混合模型

针对混凝土拱坝单测点变形监控模型难以合理表征拱坝空间变形场协同响应特性以及传统回归方法诠释环境量与大坝变形间的复杂函数关系具有明显局限性问题,提出了融合粒子群算法优化与支持向量机（particle swarm optimization-support vector machine,PSO-SVM）的混凝土拱坝多测点变形监控混合模型。基于单测点变形监控模型构建方法,引入空间坐标并利用有限元方法计算水压分量,进而借助PSO-SVM良好的非线性处理能力对环境量与大坝变形序列进行建模和预测,从而构建了融合PSO-SVM的混凝土拱坝多测点混合模型。工程实例分析表明,所建模型具有较好的多测点变形性能分析能力,较单测点统计模型具有良好的拟合及预报精度,可有效反映大坝服役的整体安全性态。此外,所提理论和方法经一定的改进和拓展,亦可推广应用于其他水工建筑物性态安全监控模型的预报分析。     

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。     

HJ-1B卫星三种反演地表温度模型的分析与验证

由于对不同的传感器,单通道算法中的经验公式必须根据相应的热红外波段特征重新进行拟合,该文以覆盖广州市的卫星影像HJ-1B/CCD和HJ-1B/IRS为数据源,利用基于同步面上像元尺度的多源遥感数据MOD021KM,并结合上下行辐射和地表比辐射率来反演大气水汽含量以及大气透射率。在此基础上,针对环境卫星,提出修正的普适性单通道算法、大气辐射传输方程算法和单窗算法3种模型,进行广州市地表温度反演,最后利用野外观测数据进行验证。结果表明,相比普适性单通道算法和单窗算法,辐射传输方程模型精度比较高。     

CBERS-02 IRMSS热红外数据地表温度反演及其在城市热岛效应定量化分析中的应用

针对CBERS-02IRMSS的热红外通道特性，对Jimenez-Munoz和Sobfino提出的普适性单通道地表温度反演算法进行改进，并利用该传感器热红外遥感数据反演北京地区和苏锡常地区的地表温度；利用2004年8月17日在青海湖的野外实测数据对该算法的地表温度反演结果进行的验证表明，改进的单通道反演算法应用于CBERS-02IRMSS传感器热红外数据的地表温度反演具有很高的反演精度。并在此基础上，运用城市热场变异指数对北京地区和苏锡常地区的城市热岛效应进行分析，运用中国研制的热红外卫星遥感数据给出了城市热岛效应的定量化描述。结果表明，CBERS-02IRMSS热红外遥感数据完全可以满足定量化应用的要求，具有很大的应用潜力。     

基于GA-BP算法的大坝边坡变形预测模型

针对大坝安全预测采用传统的统计模型、确定性模型和混合模型存在的不足,应用遗传算法（GA）与基于误差反向传播算法（BP）相结合,构成GA-BP混合遗传算法,建立大坝边坡变形预测的遗传优化神经网络模型（GA-BP模型）。该模型利用神经网络的非线性映射能力、网络推理和预测功能及遗传算法的全局优化特征,克服BP算法易限人局部最小问题。通过该模型对某大坝的实际观测数据进行预测,表明GA-BP模型的预测具有精度高、收敛速度快的优点,在大坝的预测方面具有应用价值。     

应用时间序列方法作大坝变形预报

本文首先介绍时序分析的三个基本模型——ARMA模型、AR模型和MA模型,以及各模型的统计性质。然后以某大坝1715廊道的激光视准线观测位移值(已利用倒垂观测把相对位移化为绝对位移)为例,着重叙述大坝变形分析的建模过程,得到了一个AR(2)模型并对大坝变形作了预报,结果具有相当好的预报精度。从而说明,时序分析法将是大坝变形分析的一个有力工具。     

自适应变异粒子群优化灰色模型在变形分析中的应用

标准灰色模型GM(1,1)以序列第一个分量作为初始条件进行灰色微分建模,未能充分利用序列中的新信息;其背景值的构造本质上采用了数值积分中的梯形法,精度不高。针对上述缺点,提出一种基于粒子群算法的灰色预测模型,即PSOGM(1,1)模型,对初始值和背景值参数进行优化,并将模型应用于岩体变形分析中。计算结果表明,PSOGM(1,1)模型具有较高的预测精度,可作为变形分析的一种新方法。     

动态评估策略的GEP算法在大坎变形预测中的应用

针对传统基因表达式编程方法预测方面的不足,采用动态评估策略的GEP算法深入分析并预测了大坝变形趋势,对监测某大坝变形进行了预测分析。实验表明,与传统GEP预测方法相比,动态评估策略的GEP算法预测精度优于传统的GEP预测,克服了传统GEP预测方法的不足,提高测量精度,在大坝监测预报中是有效可行的。