独立分量分析改进的图像去噪方法

针对传统去噪算法在复杂噪声污染图像处理中能力较弱的问题,该文基于信号高阶统计量的独立分量分析,通过其自适应变换,分离出源信号中的统计独立的分量,在分析对比传统图像去噪方法的基础上,讨论了独立分量分析的基本模型及原理;提出了一种结合中值滤波与wiener滤波的最大似然估计的图像去噪改进方法。仿真实验表明改进的独立分量分析去噪方法具有较大的优越性。     

大坝监测资料的时变Kalman预测模型

基于对大坝监测资料预测模型时变性的要求,在模型LS参数求解过程中引入遗忘因子,提出了能够实现模型参数实时更新的IWRLS算法。在此基础上,为使预测模型体现物理含义的同时实现滤波操作,在Kalman滤波方程组中融入统计模型、ARMA等多种方法,由此建立了考虑白色观测噪声的时变Kalman预测模型。实例分析表明,时变Kalman模型拟合及预测精度均优于传统统计模型,为大坝监测资料的预测分析提供了新思路。     

变形预测的逆多元统计模型

测量和预测目标点的空间变形是掌握变形体稳定性的重要手段,本文论证了逆多元统计预测模型用于滑坡的稳定性分析,利用变形点的空间三维移动量模拟时间的变化特征,与正常的时间序列进行对比,检验变形体的稳定性。并结合实例说明了在滑坡变形分析中逆多元统计模型的实用性和可靠性。     

高光谱数据非监督分类的改进独立成分分析方法

利用数据本身统计特性是实现高光谱数据非监督分类的有效方法之一.针对利用高光谱数据一阶、二阶统计量不能完全表征数据结构的问题,提出了一种基于数据高阶统计特性--峭度的改进独立成分分析方法(Improved Kurtosis-Based Independent Component Analysis,IKICA)的高光谱数据...     

GM(1,1)在储罐充水沉降预测中的应用

对大型储罐充水量与罐基础的沉降量关系进行了论述,提出了采用GM(1,1)模型对储罐在充水预压过程中进行罐基础的沉降量预测的方法,并对预测模型的进行了检验,证实了GM(1,1)模型在储罐充水预压过程中进行等水位间隔沉降量预测的可行性。     

双星定位/SINS组合系统的滤波方法及一致性研究

根据北斗双星定位系统（简称双星定位）的特点，提出了北斗双星与SINS组合的最优预测模型。为了验证该滤波方法对状态估计的一致性，研究了滤波器一致性的准则，并给出了检验的统计量。试验证明，本文提出的滤波器与系统是匹配的。     

非线性沉降预测模型参数计算研究

提出一种将非线性沉降预测模型转换为一元线性方程,利用Excel进行线性回归分析来求取模型参数的方法。结合工程实例介绍其计算过程,并对各沉降预测模型的精度进行对比。     

电离层高阶项改正对参考框架实现及测站坐标的影响分析

根据电离层高阶项改正模型,确定了高阶项延迟对不同GPS观测量的影响量。根据IERS协议2010推荐的最新模型,对全球均匀分布的104个IGS基准站数据进行了重新处理,研究了电离层高阶项延迟(二、三阶项)对坐标参考框架实现及测站坐标的影响,量化了不同地磁模型下的高阶项改正影响变化。结果表明,电离层延迟高阶项改正对参考框架原点有较大影响,犣方向的平移可达20mm,犡、犢方向的平移所受的影响相对较小,大部分维持在5mm以下;电离层高阶项延迟会引起测站坐标变化的区域性偏移现象;地磁模型的不同会导致参考框架原点犣方向有着约10mm的变化,在局部区域也会引起显著的测站坐标变化差异。最后对电离层高阶项改正的影响结果进行了分析与讨论。     

优化组合模型在建筑物基坑沉降预测中的应用

为了确保建筑物在建设过程中的安全,需要准确掌握建筑物基坑及周边的变形情况。针对建筑物基坑沉降变形预测问题,本文对单一的GM(1.1)模型与BP神经网络模型进行优化并构建组合预测模型。优化组合模型一方面解决了单一预测模型稳定性差、预测精度低的问题,另一方面提高了预测模型的适用性。将本文提出的组合预测模型应用于某在建建筑物基坑沉降变形预测中,结果表明,相较于单一的GM(1.1)模型与BP神经网络模型,本文提出的优化组合预测模型的预测精度与稳定性更高,证明了组合预测模型在建筑物基坑类沉降预测中的可靠性。     

变权组合预测模型在大坝沉降监测中的应用

为探讨变权组合预测模型在变形监测中的应用,以监测某大坝沉降量为实例,研究基于线性回归预测模型和灰色模型GM(1,1)的变权组合。通过预测该大坝坝内沉降量,比较两种单一预测模型和变权组合预测模型的预测误差平方和,证明变权组合预测模型在沉降预测中具有更好的预测精度。     

灰线性马尔科夫模型在建筑物变形监测中的应用

针对传统灰色GM(1,1)预测模型在建筑物变形监测预报中的拟合精度较差、预测精度较低和预测时间较短的问题,文中以传统GM(1,1)、线性回归和马尔科夫模型为理论基础,构建了灰线性马尔科夫预测模型,并结合某建筑物变形监测的观测数据,运用新陈代谢的计算模式进行预测。结果表明,灰线性马尔科夫预测模型的拟合精度和预测精度优于单一的灰色GM(1,1)预测模型和线性回归预测模型,灰线性马尔科夫预测模型具有预测精度高、预测时间长和稳定性高的优势。     

利用SVM与ARIMA组合模型进行大坝变形预测

由于大坝位移时间序列数据受各种复杂因素的影响,具有非平稳和非线性等特征,因此,利用传统、单一的时间序列预测模型较难准确地描述大坝位移变形的复杂规律.综合考虑大坝位移时间序列非线性和线性特征,本文提出了一种SVM和ARIMA相结合的时间序列预测模型.将大坝变形的时间序列分为非线性部分和线性部分.针对非线性部分,利用SVM...     

Remotely sensed estimation of forest canopy density: A comparison of the performance of four methods

In recent years, a number of alternative methods have been proposed to predict forest canopy density from remotely sensed data. To date, however, it remains difficult to decide which method to use, since their relative performance has never been evaluated. In this study the performance of: (1) an artificial neural network, (2) a multiple linear regression, (3) the forest canopy density mapper and (4) a maximum likelihood classification method was compared for prediction of forest canopy density using a Landsat ETM+ image. Comparison of confusion matrices revealed that the regression model performed significantly worse than the three other methods. These results were based on a z-test for comparison of weighted kappa statistics, which is an appropriate statistic for analysis of ranked categories. About 89% of the variance of the observed canopy density was explained by the artificial neural networks, which outperformed the other three methods in this respect. Moreover, the artificial neural networks gave an unbiased prediction, while other methods systematically under or over predicted forest canopy density. The choice of biased method could have a high impact on canopy density inventories.     

GIS支持下滑坡灾害空间预测方法研究

滑坡预测在防灾减灾工作中具有重要意义,它包括空间、时间预测两个方面。基于统计模型进行区域评价与空间预测是滑坡灾害研究的重要方向,但是预测结果往往依赖样本数量和空间分布等。本文以马来西亚金马伦高原为研究区,选择高程、坡度、坡向、地表曲率、构造、土地覆盖、地貌类型、道路和排水系统作为评价因子,探讨运用地理信息系统(GIS)和遥感(RS)获取与管理滑坡灾害信息,以及热带雨林地区湿热环境下滑坡空间预测的方法。支持向量机(SVM)和逻辑(Logistic)回归模型分别应用于滑坡空间预测,结果显示平均预测精度分别为95.9%和86.2%,SVM法具有较高的描述精度,值得推荐;同时,基于SVM模型的滑坡空间预测受样本影响较小,预测结果相对比较稳定,这对于滑坡灾害区域评价与预测的快速实现具有实际意义。     

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。     

大气可降水量预测模型的自适应Kalmam滤波改进

针对现有可降水量预报模型存在预报精度不高等问题,该文提出采用方差分量估计自适应卡尔曼滤波对可降水量数据进行预处理,用以提高径向基神经网络预测模型的预测精度,从而形成高精度预报模型。通过比较不同基站不同时间的数据,分析使用方法的预报精度。实验结果表明:将预测模型应用于全国7个测站进行实验,预测相对精度的平均值可达95%以上,预报残差在10-5左右,残差值小于0.001的占90%以上。在影响因素方面,使用较短时间作为模型原始数据进行预测会得到较好的预测结果。实验证明本预测方法在预报大气可降水量值方面具有较高的精度。     

基于误差补偿预测树的多光谱遥感图像无损压缩方法

预测树方法是一种有效的无损多光谱图像压缩技术,将自适应线性预测方法与传统预测树方法相结合,提出了一种多光谱遥感图像的误差补偿预测树压缩方法。该方法利用多光谱图像谱间的局部统计冗余和结构冗余建立自适应预测器,对传统预测树方法产生的误差进行补偿,从而进一步减少了多光谱图像的数据量;并且利用多光谱图像的局部平稳特性对算法进行了简化。实验结果表明,该方法得到的压缩比与原始预测树方法相比有明显提高,同时算法简化后可以使计算复杂度大幅度降低。     

改进的修正预测法预报电离层

利用自回归移动平均ARMA模型的线性最小方差预测法预报电离层存在的主要问题是极值点处预测误差较大。通过对模型阶数上限及定阶准则的选取进行实验分析,确定了合适的模型阶数并建立了相应模型。修正预测法可利用新信息对线性最小方差预测法的预测结果进行修正。这是一种短期预报方法,每次向前预测一步即2 h,但结果并不理想。考虑到电离层变化的周期性,为了进一步减小极值点处预测误差,提出了改进的修正预测法。实验表明,改进的修正预测法预测结果与原始值符合较好。     

一种基于SARIMA的经验对流层延迟模型

为了减弱对流层延迟的影响,提高GNSS定位精度,探讨了在无气象参数的条件下,利用预测模型计算对流层延迟的可能性,并提出了一种经验对流层延迟预测模型,即基于季节性自回归移动平均模型（SARIMA）的对流层延迟预报方法。结合中国长春和上海两个地区的ZTD数据进行预测分析,预测结果表明：基于SARIMA的ZTD预报模型能够满足不同地区不同时段下的ZTD估计需求,是一种较高精度的ZTD预报方法。     

基于Matlab的灰色回归组合模型在沉降监测中的应用

基于Matlab的灰色回归组合模型,是对灰色GM(1,1)模型以及线性回归模型的补充和改善,通过对某工程沉降监测数据进行分析和处理,并且与单一模型的预测精度相比较,从预测结果可知该组合模型的预测精度与单一模型相比有较大提高,这对于预测工程时间有一定的指导意义。