多波束测深异常的两种趋势面检测算法比较

利用三次样条插值算法模拟海底地形曲面,并加入高斯白噪声和不同数量的异常值作为多波束测深数据模拟值。分别基于最小二乘估计和高崩溃污染率抗差估计两种算法建立趋势面模型,通过各自的异常值标定准则对模拟数据进行测深异常检测,比较和分析了两种算法的处理结果,并得出相应结论。最后,利用上述两算法对多波束实测数据进行处理,结果表明,经高崩溃污染率抗差趋势面异常值检测后的数据能够更为准确地反映海底的真实情况。     

基于CUBE算法的多波束测深数据自动处理研究

对CUBE算法自动处理多波束测深数据的模型建立、格网节点的多重估计和最优估值选取准则进行了详细介绍,深入分析了多重估计的实用性,并通过实测数据对该算法进行实现.利用了抗差Kalman滤波改进CUBE算法.通过模拟数据对改进的CUBE算法进行实验,验证了算法改进的必要性.     

检测多波束测深异常数据的CUBE算法模型解析

全面深入地剖析了CUBE滤波算法的计算流程及数学模型,论述了CUBE滤波算法与传统加权网格化算法的内在联系和区别,对推动该算法在国内推广应用具有重要意义。     

基于中值滤波加权修正的多波束声呐测深数据趋势面滤波方法

针对传统趋势面滤波方法中多项式拟合曲面系数向量的求取和作为阈值的均方根误差的求取都受到异常数据的影响,使该方法在异常测深数据较多的情况下滤波效果不佳的问题,提出了一种中值滤波加权修正的改进方法。在构造趋势面之前,对水深数据进行加权修正,以前后两次修正后数据的拟合优度的变化量作为是否进行下一步水深修正的依据,利用最终修正后的水深数据求取多项式拟合曲面系数向量和均方根误差,大幅降低了异常数据的影响,具有很强的抗差性。经仿真模拟数据和多波束实测数据滤波试验,该方法在异常数据较多的情况下依然良好,能够保持良好的滤波效果,明显优于传统趋势面滤波;同时,该方法能够保持较高的运算效率,适用于海量多波束测深数据的自动滤波。     

基于趋势面的多波束测深数据滤波方法

简要的介绍了基于统计特性进行多波束测深数据滤波的方法,并对这些滤波方法的特点及实际应用效果进行了对比分析,在此基础上,提出了趋势面滤波法,并对其进行了实践验证,取得了理想的效果。     

多波束测深数据趋势面滤波阶次选择算法研究

海底地形深度数据滤波常用的方法有:交互滤波、中值滤波、趋势面滤波等。基于粗大误差判别3σ准则,研究测深数据趋势面滤波的方法,提出了海底复杂地形分区和滤波阶次自动选择算法,解决了模型参数需经验设定而造成的滤波效果不确定问题。系统可以客观地检测和剔除粗差,得出较高精度的三维海底地形数据,对多波束测深数据滤波的应用具有一定参考价值。     

一种适用于海量多波束测深数据的中值滤波算法

针对CUBE算法中的数据中值滤波排序问题,设计了一种基于堆结构的中值滤波算法。这种方法以初始滤波窗口中间数据为支点,把滤波序列划分为2个堆,进而把查找滤波窗口中间位置数据转化为在两个堆中进行排序并输出根节点的操作。实验结果表明,这种方法的滤波速度约为基于二分查找的中值滤波算法的2~4倍,适合应用于海量数据的滤波处理。     

多波束测深趋势面系数的主成分估计

在多波束测深趋势面滤波构建趋势面模型的过程中,其模型变量线性相关时,系数阵存在复共线性,因此将主成分估计的方法应用于趋势面模型系数的求解,从而避免了复共线性的影响,最后通过实测数据进行实验,分别利用最小二乘算法和主成分估计求解二次趋势面模型。比较计算结果,验证了主成分估计算法的有效性。     

多波束与单波束测深数据融合处理方法

受声线弯曲的影响,多波束测深的边缘波束的数据质量较低,而单波束测深受声线弯曲的影响比较小。结合多波束覆盖面大和声速剖面误差对单波束影响相对较小的特点,研究了多波束和单波束的测深数据融合方法,利用同一位置单波束和多波束测深数据的差值,拟合一个与坐标位置相关的误差模型,并利用该误差曲面对多波束测深数据进行综合改正,从而提高多波束测深的数据质量。     

LS-SVM算法中优化训练样本对测深异常值剔除的影响

在验证趋势面滤波是最小二乘支持向量机算法取特定参数解的基础上,利用 LS-SVM 所构造的海底趋势面对测深异常值进行剔除。 为了克服 LS-SVM 解非稀疏性的缺点,同时抑制偏差较大的训练样本对海底趋势面构造的影响,提出并实现了一种基于局部样本中心距离的训练样本优化方法。 为了检验该算法的有效性,选取实测的多波束测深数据进行验证,结果表明在训练样本优化的基础上,通过调整 LS-SVM 的参数可以得到更为合理的海底趋势面,测深异常值地剔除也更为有效。     

利用MVDR算法削弱多波束测深声纳的隧道效应

分析了海底多波束测深声纳中存在的隧道效应及其产生机理,指出旁瓣干扰是引起隧道效应的重要因素,隧道效应的出现导致多波束测深声纳把相对平坦的海底误测成凹面向上的水平半圆柱面海底地形。研究了基于GSC结构的自适应波束形成算法,推导提出了MVDR算法的连续自适应实现方案,并利用该算法对多波束测深声纳湖试数据中存在的隧道效应进行处理,结果表明该算法能够有效削弱多波束测深数据边缘波束中存在的旁瓣干扰。     

利用相邻测线重叠区域进行多波束测深横摇运动残差改正

针对多波束测深条带边缘波束易受到姿态和声速等多种误差影响、相对中央波束数据质量较低的问题,本文提出一种利用相邻测线重叠区域对多波束测深数据边缘波束进行横摇运动残差改正的模型,提高边缘波束测深数据的质量。使用沿航向的测深点匹配插值模型,完成中央波束测深点与边缘波束测深点的匹配,得到边缘波束测深误差值;使用横摇运动残差改正模型,实现顾及姿态角的条件下补偿波束入射角。计算实例表明：本文模型能够较为准确地提取边缘波束测深误差值,改正后的海底地形削弱了误差导致的上下起伏,有效地减少了影响边缘波束的多种误差,具有实际的工程应用价值。     

Robust Automatic Reduction of Multibeam Bathymetric Data Based on M-estimators

Multibeam echosounders have commonly been employed for a wide range of applications including offshore survey, navigation, hydrogeology, and oceanography. Because the tremendous volume of the bathymetric data is demanding for some purposes and requires significant storage space, the data reduction plays a prominent role in practice. Additionally, the multibeam soundings are inevitably contaminated with sporadic outliers, and as such, the data cleaning can be challenging especially in shallow waters. We present a speedily robust method for reliably reducing the volume of the bathymetric data within grid cells. In this respect, robust M-estimators are recursively applied to the data in a patch-wise manner to alleviate the undesirable effects of the outlying observations. Accordingly, the reduced bathymetry is automatically made unaffected by the possible outliers once their equivalent weights have been downweighted. The performance of the presented method has been demonstrated by synthetic datasets and an experimental dataset collected by an ATLAS FS 20/100 kHz shallow-water multibeam echosounder in the offshore waters of Kish wharf. The reliability, efficiency, and capability of the proposed method have been verified, which makes it quite possible to meet the IHO requirements for special-order seafloor mapping.     

小波变换在水下目标回波奇异性检测中的应用

小波变换突破了传统Fourier变换等信号处理方法均限制,具有表征信号局部特征的能力,信号的局部奇异性包含了信号的许多重要信息,论文研究了信号的奇异性检测问题。给出小波变换和信号奇异性的关系,实现小波分析对信号各类奇异间断点的有效检测,最后进行实例分析,说明此理论与方法适用于对边缘信号与突变信号的处理和提取,为海底底质识别提供理论依据。