L���߷��ڵȼ�Ȩ���������ģ���е�Ӧ��

??????????????????????????????????????????????????L???????????????????????????????????????????е????????????????????t???Cholesky?????е?λ?????????????????????????????????????????????????е?λ???????L???????????????е????????á????????????????????????Ч?????????????????     

һ�ָĽ�����Ĥ������λ����㷨

??????????????λ???????????????????????????λ????????????????????????????????????λ??????????????λ???????“???”??????С???????????λ?????????????????????????????е???“????”??????????λ?????????????InSAR??InSAS???????????????????÷????????????????????е???“????”???????????λ??????     

��������Ķ�ʱ��GPS�ز���λ�������ٽ���

???????????????????GPS?????λ???????п???????????????С???????????????GPS?????λ??????????????????????????????????????????????????????????????????????Щ??????γ?????????????????????????4??λ???????е????????????????????????????????????е?????????????GPS?????λ?????????????     

�����ڸ߽ײ���е�ʱ����������ȷ����

????????????????????????????????????????????????????????????????У??????????????????????????????????????е??????????С??????????????????????????????н?????????????С????????????????????(?????????????б??????????е?λ??)???????????λ???????????????????????????????????????????????????????????????????????????????     

�����쳣ƥ�丨����������ģ�͵��Ż�

???????????????1??????????????????????????????????????????????????λ?ù???????????????????????λ??????????????е????????????????е????????????????????????????????????????????????????????????????????????????????????仯?????????и???????Ч????     

���ڻ������ӵĻ�ɫģ���ڵؿ��α�Ԥ���е�Ӧ��

?????????е???α????????????????λ?????????????????????????????????λ?仯???ɡ?????????????????ж?????????????????????????????α?λ?????н??е??????????GM(1,1)?????????????????????÷??????????????????????÷??????????????GM(1,1)?????????????Ч???????????????     

GPSα�ද̬��λ���ƶ����ڱƽ�ģ��

????GPSα?????λ???????????????????????????仯????????????????????????α????????????????????????????????????????????????????????ξ?????е??????????????е???????????С?????????????????????????????????????????????????????????,????????仯???????????????仯??????????????????????????????????????????????????α?????λ?б??????????????????     

Բ�������������������·���

???????????????????????????????????????μ????????????????????????е?????????????????????е???????????????????????????λ???????????????????????????м???????顣?÷????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????     

��ǹ��Դ�̽���Ӳ�ģ��

?о?????????????????????????????????????????????????????????????????????????????????????????????????????????????????λ?????????????????????????????????????????????????м??????????????????н??е?????????????????е??     

��ƵGPS����Ԫ��λ���ȼ���������

???t??????λ??????λ????????????GPS?????????????????д?????????????????????????????·????????????????λ????????????????з????????????λ??????????е?EW??NS???????????7.3??7.1??16.0 mm??????λ??EW??NS???????????5.0??5.2??14.7 mm????????????λ???????????λ?????1.9~2.3 mm?????ù????????????о??????λ??????????????????????????????????????е?????????????????????λ??????????0.1 Hz??????????????????????????0.1 Hz??????????????????????????λ??????????????????????????????????????????????????????????????????????????????????????????????????????????λ????????????????????????????????????????????????λ?????????????????????????????????     

顾及地形坡度的非线性最小二乘相位解缠

InSAR相位解缠是利用干涉合成孔径雷达(InSAR)数据,提取数字高程模型,进行精确差分干涉测量的关键技术之一。然而缠绕的差分相位信息在地形陡峭或者坡度变化较大区域的解缠结果会有较大的误差传递的问题,针对此问题将干涉图中的地形坡度表示为距离向和方位向的局部相位频率,利用局部相位频率估计地形坡度和推导缠绕相位梯度概率密度函数(PG-PDF)参数模型,并将参数模型作为非线性最小二乘相位解缠模型约束条件,平滑不满足要求的缠绕相位梯度,经过迭代求解得到的解缠结果可以在消除噪声的同时减少地形因素的欠采样对相位解缠结果的影响,提高相位解缠的精度。最后,利用欧空局ENVISAT ASAR卫星获取的干涉数据进行实验,验证了算法在解缠精度和对地形的适应性方面优于直接加权的相位解缠算法,在频域下顾及地形的方法能有效克服LS对于相位坡度欠估计的缺点,具有较高的精度和稳定性,能够有效地考虑地形坡度的影响,抑制误差传递。     

卡尔曼滤波在InSAR噪声消除与相位解缠中的应用

相位解缠作为InSAR技术中的关键步骤,一直是研究的难点和热点。通常的相位解缠方法在相位解缠前首先必须进行噪声消除,而卡尔曼滤波将相位解缠问题转化为状态估计问题,实现了相位解缠与噪声消除一并处理,成为一种相位解缠新途径。并提出了卡尔曼滤波在相位解缠与噪声抑制中的一种新算法。     

使用L0范数代价函数的二维相位快速解缠方法

针对最小范数解缠方法的代价函数模型以及迭代效率问题,提出一种符合L0范数准则的高效的二维相位全局最优解缠方法。在对最小范数代价函数模型特征进行分析的基础上,给出一种符合L0范数准则的代价函数,满足在相位不连续边界的切方向上相对法方向具有更强的约束作用,保证解缠迭代处理时连续相位按照代价函数的约束条件进行趋近的同时,不连续边界不会被破坏。为了解决线性方程中低频误差收敛慢的问题,根据最小范数方法独立性的特点,采用数据分块处理方法,注重高频信息以提高迭代处理效率,将低频信息处理转移到数据块间偏移量计算中。实验对比分析表明,新解缠方法在可靠性和效率方面都能够达到较好的水平。     

LAMBDA������ CR-InSAR��λ����е�Ӧ��

??????????????????????????????α????????????????????λ?????????????????λ??????????λ????????λ?????????????CR??InSAR??????λ???????????GPS?????????????е???С????????????????????λ??????????????????InSAR???????????????????????????????????????????????????????????????????????????????????????????     

���ڻ��΢��Ⱥ�㷨����λ���

???Goldstein??????????????????????????????????????????????λ??????????????????????????????????????????????????????????????????????????????????????????????????????????·???????????Щ???·????????????С???????????????????δ???????????????????????????????????????????????????????????????Ч??     

��ͬ����ͼ����λ����㷨�еıȽϷ���

????????????????λ????????????????????????????????????????????????????????????????????????????????????????????????????λ???????????????????????3????????????????????InSAR?????????????????????????????????α??????????н????????     

SAR����ͼ�˲�����λ����㷨�Ƚ��о�

??L ^P ????????￡?????????λ???????????????????о?????????????3???????????????????????Bam?????????SAR??????????????????????????:Goldstein?????????Ч???????е??????????,??????????????Ч??????????????????????L ¹?????????????????????????????Ч?????L ²?????????????????????????Ч?????L ⁰????????????????????????????????????????????????????????     

GIS SUPPORTED HEDONIC MODEL FOR ASSESSING PROPERTY VALUE IN WEST OAKLAND, CALIFORNIA

1INTRODUCTIONOakland,locatedat37°47′43″N, 122°13′41″W, isa cityon the east side of San Francisco Bay in Northern Cali-fornia in the United States. As of 2000, the city had anarea of 202.4km2with a total population of 399 484,making it the third largest city in the San Francisco BayArea after San Jose and San Francisco. The city of Oak-land stretches from San Francisco Bay up into the EastBay Hills (from the "flatlands" West Oakland, NorthOakland up into the foothill distr…     

加权最小二乘相位解缠的一种改进

基于最小二乘相位解缠原理,针对现有的加权和不加权最小二乘在残差点过多时计算结果平滑问题,提出利用相位导数变化图对其进行加权改进。结合真实数据,通过现有的加权与不加权最小二乘算法的比较和分析,证明该改进算法能有效处理残差点过多的情况,解缠精度高,解缠结果更可靠。     

GIS的不同次区域之间相似性度量

 GIS属性相似度量有相似系数及以空间位置的空间自相关。这2种方法都不能计算全域为背景的次区域相似性问题,而以隶属函数的粗糙度量很好地解决了这个问题。本文利用粗糙集计算了GIS的离散型数据的次区域相似度量。利用邻域粗糙集计算了连续属性值的上下近似逼近,并利用邻域信息粒子计算连续属性值的粗糙隶属问题,从而计算连续属性值次区域相似度量问题。本文方法能度量次区域而不是全域或单个元素之间的空间相关与自相关问题,考虑了全区域背景下的GIS相似问题。并针对GIS连续属性值,利用距离函数和邻域粗糙集来划分连续属性的上下近似,以及分类问题,提出一种基于邻域信息粒子的粗糙隶属函数。最后利用粗糙相似度量公式度量GIS次区域的相似问题。