偏最小二乘回归在系统形变分析中的应用

系统形变往往由很多主导因素引起,且各主导因素之间并不独立。以国土利用变化驱动分析为例,运用偏最小二乘回归方法建立变化的驱动机制模型,并和主成分回归法相比较。结果表明,偏最小二乘回归不仅在拟合效果上优于主成分回归,系统性更强,结论更可靠,而且偏最小二乘模型的回归系数更易于解释,提供的系统信息也更丰富。偏最小二乘为样本个数少、自变量多、且变量间存在多重共线性的复杂大系统形变分析提供了新的、有效的解决途径。     

利用偏最小二乘回归分析三维可视化系统的硬件影响因素

在多种配置的计算机上对全球多地区多级别的三维地形进行漫游测试,得出实验数据,然后利用偏最小二乘回归方法,对三维可视化系统中影响系统性能的11个硬件因素进行了分析。实验结果表明,影响三维可视化系统的主要硬件因素为CPU主频、二级缓存和内存,其中,二级缓存对可视化系统运行速率的影响尤为显著。     

利用偏最小二乘回归反演冬小麦条锈病严重度

通过人工田间诱发不同等级条锈病，在不同生育期测定冬小麦感染条锈病严重度和冠层光谱，采用偏最小二乘（PLS）方法建立了冠层光谱和条锈病严重度的回归模型。结果显示： PLS反演冬小麦条锈病严重度的效果很好，与文献［4］中提出的利用高光谱指数进行反演的结果相比，精度更高； 通过对PLS回归系数的分析，发现叶绿素吸收谷两边（505~550 nm，640~670 nm，680~700 nm）的一阶微分光谱可用于诊断冬小麦条锈病病情，条锈病病害冬小麦在叶绿素吸收谷两边的一阶微分光谱的绝对值会比健康冬小麦的更大。     

基于包络线去除和偏最小二乘的土壤参数光谱反演

基于江苏省宜兴市100个土样的可见光－近红外高光谱反射率400 2　450nm数据结合包络线去除continuum　removalcr与偏最小二乘回归partial 　least 　squares 　re gressionplsr 构建了土壤重金属砷as和有机质om含量的反演模型 结果表明相比普通plsr模型模型决定系数r2和预测根均方误差rmsep分别为0．5123．0９0和0．6215．９34cr－plsr构建的模型预测能力有明显的改善r2和rmsep分别为0．7632．323和0．９114．5９９ cr有效增强了550９001　4201　９00和2　200nm等波段处的反射光谱特征根据模型回归系数分析cr有效突出的波段正是as和om的cr－plsr模型所共用的重要波段研究表明cr能够协助plsr模型重要波段的选择利用遥感技术结合cr－plsr能够有效提高土壤重金属as和om含量的反演精度从而为土壤质量的遥感监测提供参考     

基于包络线去除和偏最小二乘的土壤参数光谱反演

土壤有机碳的有效评估对全球碳循环和农业可持续发展具有重要作用。可见光-近红外光谱技术已广泛用于土壤有机碳含量的反演研究。然而,基于可见光-近红外光谱的土壤有机碳反演模型通常具有一定的区域局限性。本文基于湖北钟祥市和洪湖市两个区域的土壤光谱和有机碳量测数据(样本数分别为100和96),探究土壤有机碳反演模型在不同区域间的传递性。结果表明,钟祥市或洪湖市区域模型都不能用于另一个区域,但基于钟祥样本全集与洪湖区域30个土壤样本数据建立的模型对洪湖区域土壤有机碳含量有很好的预测效果(R²=0.88, RMSE=2.51 g·kg^-1)。尽管模型在不同区域间的传递性非常有限,但将少量目标区域样本添加到现有区域土壤光谱库中所建立的偏最小二乘回归模型能够估算目标区域土壤有机碳的含量,降低目标区域的采样和量测成本。     

偏最小二乘回归方法在地理与经济的相关性分析中的应用研究

在建立地理因子库和经济因子库的基础上 ,利用偏最小二乘回归方法对地理因子与经济因子进行了回归建模 ,并把得到的回归系数用来解释两类因子之间的相关关系 ,达到了对地理要素和国民经济指标之间的相关关系定量化研究之目的。     

利用整体最小二乘法建立线性回归模型

对于在实际应用中的直线回归问题,存在着因自变量和因变量选取不同拟合结果存在差异的情况,文中采用了一种线性拟合参数估计的新方法,即整体最小二乘法。文章在描述普通最小二乘和整体最小二乘原理的基础上,并对比其异同,并采用奇异值分解的方法来求解整体最小二乘问题。算例结果表明,采用整体最小二乘方法估计线性回归参数的精度明显高于常规最小二乘法,是一种值得借鉴的算法。     

基于偏最小二乘法的近红外光谱分析应用

近红外光谱分析法是一种能够快速检测物质成分含量的分析方法.采用傅里叶变换的近红外光谱结合偏最小二乘法,对采样的126个玉米样本分别建立蛋白质、脂肪和纤维素的偏最小二乘模型,并进行定量分析.结果显示,模型的决定系数均大于0.95,定标集的均方误差均小于0.14.该方法与常规化学检测方法相比,检测简单、速度快、精度较高.     

基于整体最小二乘法的线性回归建模和解法

对基于自变量和因变量误差的回归问题进行了进一步研究,证明了两种方法的实质并未解决同时考虑自变量和因变量的误差问题,其解算结果和不考虑自变量误差的解算结果完全相同。给出了能同时顾及自变量和因变量误差的新的回归模型,并推导了具体的解算方法。算例结果和基于矩阵分解的整体最小二乘法解算方法的结果相同,说明了本文方法的正确性。     

气象因子对植被指数影响的偏最小二乘分析

针对相关分析在研究气象因子对植被影响时系统性不强的问题,该文以2009—2016年贵州省EVI时序数据和34个气象站点的观测数据为依据,采用偏最小二乘方法分析了各气象因子对EVI的影响程度。结果表明:当月的水汽压和温度以及前推一月的降水、水汽压和温度是贵州植被变化的关键因素,而前推一月日照和当月降水对植被变化的影响不显著。气象因子对EVI影响的空间差异表明:降水主要影响贵州西部、南部和西南部地区,日照主要影响东南部地区,而水汽压和温度则影响贵州全境。     

基于纹理特征的SAR影像各拉丹冬冰川信息提取

冰川面积是监测冰川变化信息的重要参数。本文以各拉丹东地区为例,根据冰川区域特有的纹理特征,选取时间间隔为35天的ENVISAT ASAR干涉对,利用灰度共生矩阵提取纹理特征,通过波段组合进行监督分类,进而提取研究区冰川面积。同时以Landsat TM光学影像为依据,评价利用纹理特征提取结果的精度。研究表明:基于纹理特征并利用SAR影像提取冰川面积的方法是可行的,为提取冰川信息提供了又一可靠手段。     

纹理特征向量与最大化熵法相结合的SAR影像非监督变化检测

合成孔径雷达(SAR)影像具有明显的斑点噪声,在变化检测中,一般需要考虑空间邻域信息。本文结合SAR影像丰富的纹理信息,提出一种考虑空间邻域信息的高分辨率SAR影像非监督变化检测方法,用基于灰度共生矩阵(GLCM)的32维纹理特征向量构造差异影像。通过最大化熵法自动选取阈值,对精度指标随窗口大小的变化进行回归分析,得到适合于变化检测的窗口为11×11。试验表明,本文方法优于马尔科夫随机场法,可以减小斑点噪声的影响,有效提高高分辨率SAR影像变化检测的精度。     

混合整数最小二乘在GPS定位中的应用

目前针对载波相位双差观测模型中具有整型和浮点型两类参数的特点,常用的方法是先将混合整数最小二乘估计转换为整数最小二乘估计,并以此为准则搜索确定整周模糊度,然后回代解算基线向量。这里提出了一种基于混合整数最小二乘对两类参数同时估计的方法;推导了在未知参数具有先验信息的条件下混合整数最小二乘及整数最小二乘的参数估计准则。最后给出算例验证了基于混合整数最小二乘的参数估计的正确性和优越性。     

总体最小二乘法在坐标转换中的应用

在测量数据处理中,最为经典的处理方法是最小二乘法,认为误差只是包含在观测向量当中,系数矩阵中不包含误差。实际上由于模型等因素,系数矩阵中经常存在着误差。为了平差的严密性和精确性,采用一种可以同时顾及观测向量误差和系数矩阵误差的总体最小二乘方法,应用于测量数据处理和坐标转换中,得到更符合实际的平差处理,获得更准确的坐标转换参数。     

基于总体最小二乘的直线拟合方法探究

在直线拟合问题中,经典的最小二乘拟合方法在自变量选取不同时,拟合的参数值和中误差存在较大差别,故本文利用模拟数据对经典最小二乘和总体最小二乘拟合结果进行对比分析,得出结论认为:经典最小二乘自变量选取不同结算参数的原因是在进行拟合计算时忽略了自变量的误差,使拟合结果只能在一个方向上保持最佳;利用总体最小二乘参数拟合的方法进行直线拟合时拟合结果不受自变量变化的影响,并能够提高拟合精度。     

结合灰度和基于动态窗口的纹理特征的遥感影像分类

在基于灰度共生矩阵提取遥感影像纹理特征的基础上,针对固定窗口算法的局限性,提出了动态窗口算法;并将不同滑动窗口算法提取的纹理特征与影像灰度组合进行支持向量机(SVM)分类,对分类结果进行定性和定量比较分析。实验结果表明:影像灰度结合动态窗口算法提取的纹理特征进行SVM分类的分类精度优于灰度结合固定窗口算法提取的纹理特征的分类精度。因此,提出的算法较传统的固定窗口算法更具优势,是一种有效纹理信息提取方法。     

基于抗差最小二乘估计的载体速度计算方法

针对相位率值的特点,引入抗差最小二乘估计进行速度计算,根据IGGⅢ方案选取合适的等价权因子来降低存在小周跳影响的观测值对结果的贡献,利用航空飞行实验的数据进行了计算分析,结果表明经过抗差后的速度仍可保持在mm/s的量级。     

基于GLCM纹理特征的LiDAR点云建筑物自动提取

LiDAR技术可以快速获取高精度的地形表面三维点云数据。利用LiDAR点云进行建筑物自动提取时,有些建筑物与树木连在一起,有些区域还有大片树林,在此情况下,很难将二者区分开来。在没有其他辅助数据时,LiDAR点云中点的高程及其变化所表现出来的高程纹理特征是区分建筑物与树木的惟一可用特征。基于灰度级共生矩阵(gray level co-occurrence matrix,GLCM)的纹理特征是对物体表面纹理很好的描述,对上述纹理特征进行分类,可以区分建筑物与树木。介绍基于GLCM纹理特征的Li-DAR点云建筑物自动提取方法。实验结果证明,在没有辅助数据的情况下,该方法也能够自动提取出建筑物。