论信息扩散估计的窗宽

文献 [1]、[2 ]从理论和实践上证明了信息扩散估计是一种很好的估计。但寻找更合适的窗宽 ,是扩散估计的最大难题之一 ,也是影响扩散估计精度的最关键因素之一。在深入讨论信息扩散估计的基本大样本性质的基础上 ,提出了最优窗宽的理论和算法 ,较圆满地解决了窗宽问题。     

变窗宽核加权估计下的变形趋势拟合方法

变形监测数据处理的方法有很多,但这些方法对数据量及数据的采集方式有特定的要求,或者计算过程复杂。针对这些问题,提出了基于变窗宽核加权估计的变形趋势拟合方法,即先用较大窗宽的核加权估计去拟合变形的整体趋势,再用较小窗宽的核加权估计去拟合残余变形量——局部趋势。并针对这一新方法,提出了一种新的窗宽计算方法,即时序间隔标准差窗宽。以某大坝某一监测点32期的高程变形拟合为例,比较了不同的窗宽以及不同变窗宽组合的核加权拟合效果。结果表明,采用时序间隔标准差窗宽的核加权拟合比经验窗宽的拟合精度高;而基于变窗宽的核加权拟合比前两者精度更高。     

信息扩散估计在电离层格网模型建立中的应用

介绍了二维最优信息扩散估计的基本方法,将该方法应用于区域电离层格网模型的建立,实现过程中采用了自适应窗宽和逐级加密的方法改善模型效果,并结合具体算例证明了该模型的有效性。     

最优信息扩散估计理论及其应用

介绍了最优窗宽和最优扩散函数的理论,提出了最优信息扩散估计(OptimalInformationdiffusionEstimation,OIDE)的概念。由于OIDE在参数估计之前就估计出了具体的观测值的实际分布,所以不论观测值服从什么分布,它都能得到良好的参数估值。可见,OIDE是一种智能型的参数估计方法。最后,本文扼要介绍了最优信息扩散估计在测量数据处理中的诸多应用,并指出进一步的研究方向。     

自适应最优邻域尺寸选择的点云法向量估计方法

为了削弱邻域尺寸选择对基于主成分分析(PCA)的点云法向量估计精度的影响,自适应处理尖锐特征点云,该文提出了自适应邻域的PCA点云法向量估计方法,利用点云局部邻域协方差矩阵,构建了局部邻域维度特征信息熵函数,根据熵函数最小准则,实现了点云自适应最优邻域的估计,在此基础上进行PCA法向量估计。分别对模拟点云和实测点云进行了法向量估计实验。实验结果表明,该文方法能够显著提高包含尖锐特征的点云法向量估计精度。     

误差熵不确定带模型

本文从信息论的基本理论出发，通过熵的极值定理和引入误差熵的概念 ，首次提出了误差熵不确定带模型。该模型与以往的误差模型有着本质的区别。它不是任何意义上的置信带，而是一种完全确定的，与置信水平无关的不确定带模型。     

稳健最优不变二次无偏估计

导出了稳健最优不变二次无偏估计、稳健最小范数二次无偏估计、稳健Ｈｅｌｍｅｒｔ估计，并说明了最优不变二次无偏估计、最小范数二次无偏估计以及Ｈｅｌｍｅｒｔ估计等均是稳键最优不变二次无偏估计的特例。     

多尺度样本熵高光谱图像分类

针对目前高光谱图像分类数据冗余度高,计算效率低下,且易丢失光谱信息等问题,该文提出一种可以有效地利用光谱信息通过多尺度样本熵提取图像特征的方法。先描述多尺度样本熵计算过程,并对参数进行分析,选取最优参数。在此基础上,分析多尺度样本熵曲线变化规律,设计最优多尺度样本熵特征选择方法。将选取的最优多尺度样本熵特征矢量代入支持向量机分类器(SVM),实现高光谱图像分类。将该文算法与深度特征融合网络(DFFN)算法和基于自适应波段选择(ABS)算法在PaviaU图像和Indian Pines图像上进行对比实验,并对其结果进行定量精度评价。实验结果表明,对于两组高光谱图像,该文算法在总体分类精度上分别达到了98.64%和96.49%,明显高于两种对比算法,同时在时间效率上也有了显著提升。     

数据共轭复用策略InSAR干涉相位估计

针对联合像素类的干涉相位估计方法在地形起伏较大时难以获得足够的独立同分布样本准确估计协方差矩阵的问题,该文提出了一种利用原始干涉图像对的观测数据及其复共轭所包含的数据信息来共同构建估计协方差矩阵时所需样本的方法。该方法结合对整个估计窗口内数据矢量的前后向滑窗作处理,将干涉数据的有效视数增加了一倍,有效缓解了在独立同分布样本不足的情况下进行稳健干涉相位估计的问题。仿真数据和实测数据的处理结果表明,在独立同分布样本不足的情况下,可以获得稳健的干涉相位估计。     

基于信息扩散的极大似然估计

提出了扩散极大似然估计方法，利用实际观测值的概率密度函数的信息扩散估计，代替了对观测值分布的主观假设，从而具有很强的自适应性。最后设计了两个算例，说明了扩散极大似然估计的过程，并考察了扩散极大似然估计的特性。