基于IGGⅢ权函数的平面点云抗差估计

三维激光扫描技术在建筑物表面测量中已经得到越来越多的应用,针对平面点云中的小粗差在抗差估计中难以剔除的问题,将IGGⅢ权函数与加权总体最小二乘法相结合,提出了IGGⅢ权函数抗差估计方法。分别采用验后方差估计法、Huber权函数抗差估计法、IGGⅢ权函数抗差估计法对两组点云进行平面拟合计算。结果表明,通过对IGGⅢ权函数抗差估计模型中K0、K1的设置,可以有效地将点云进行分层定权处理,与验后方差估计法相比,通过多次迭代过程,有效降低淘汰段的小粗差对点云平面拟合的影响。与Huber权函数抗差估计法相比,IGGⅢ权函数抗差估计法对可疑段的过大误差进行降权处理,使其平面拟合精度更高。     

基于抗差估计的实时单站GPS同震速度获取方法

基于实时单站GPS载波相位历元差分测速模型,引入抗差最小二乘估计,并根据IGGⅢ方案选择合适的等价权因子来削弱小周跳和粗差对结果的影响,并采用一组静态数据和2011年日本"3.11"地震期间MIZU站的高频数据对算法进行测试。结果表明,在含有小周跳和粗差的情况下,抗差最小二乘估计能够明显改善解算速度,可以实时获取测站毫米级的同震速度。     

粗差检测与抗差估计相结合的方法在动态相对定位中的应用

分析了粗差对GPS动态相对定位的影响,给出了相应的影响函数和抗差估计方法。建议采用粗差探测与抗差估计相结合的方法来处理GPS动态定位中的粗差问题。抗差估计中的等价权分别采用了IGG3方案和双因子等价权函数,对两种方案的效果进行比较和分析,并利用实测数据对所提方法的实际效果进行了检验。结果表明,基于粗差探测和抗差估计相结合的粗差处理方法可有效控制和抵御粗差的影响;分别采用IGG3方案和双因子等价权函数的定位结果差异较小。     

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。     

抗差方差分量估计在GPS/GLONASS组合导航中的应用

运用GPS/GLONASS组合导航时,由于卫星系统的测距精度不同,需要在组合解算中采用方差分量估计进行合理定权和平差计算。但是,当GPS和GLONASS观测值中含有粗差时,若采用最小二乘方差分量估计则无法抵抗粗差的影响,从而降低平差结果的精度和可靠性。为了提高GPS/GLONASS组合解算的抗差性,本文引入了基于IGGⅢ等价权函数的抗差估计方法,经过对GPS/GLONASS实测数据的计算和分析,证明这是一种可行的和有效的方法。     

基于IGGⅢ权函数的GNSS/INS组合导航RAIM模型

将IGGⅢ权函数引入GNSS/INS组合导航中,提出基于IGGⅢ权函数的GNSS/INS组合导航RAIM模型,根据Kalman残差平方和服从x2分布,论证运用IGGⅢ权函数探测粗差星的可行性.开发模拟平台生成GPS、Galileo、GLONASS和BeiDou卫星星座,卫星观测值加入单粗差和多粗差,测试RAIM模型的粗差探测能力.算例表明,RAIM模型能够准确定位粗差星,剔除粗差星后,可提高GNSS/INS组合导航精度.     

抗差估计的选权迭代法分析与比较

在抗差稳健估计中,选权迭代法应用最广,较易理解,M估计法计算简单。基于M估计的基本理论,深入分析Huber、Hampel、IGG3种常用的选权迭代法,并利用水准网数据,分析这3种常用选权迭代法的适用范围和相应的抗差效果,表明IGG法比其他两种的抗粗差效果要好,且易实现。     

抗差主成分估计在板块运动参数解算中的应用

为解决在采用空间大地测量数据求解板块运动欧拉参数过程中可能出现的矩阵病态问题,以及消除粗差对解算结果的影响,利用抗差主成分估计方法,采用IGG3方案的选权迭代方案对北美板块的2 577个台站进行检测,剔除包含粗差的异常站数据,求出欧拉参数最优解,并进行误差估计,建立北美板块的运动模型。计算结果表明,剔除异常台站前后精度有一定的提高,参数结果与其他模型的解算结果具有较强的一致性。     

两种新的IGGⅢ的改进方案

针对IGGⅢ等价权函数在k₀处不平滑的现象,提出了两种改进方案,每个方案的等价权函数都是含有两个调和系数的四段权函数。通过一个模拟水准网的算例表明,改进后的方案有效利用了可利用信息,抗差估计的结果较IGGⅢ方案更可靠,其中方案2效果最佳。     

大规模GNSS基线向量网抗差并行贝叶斯估计

针对大规模GNSS(global navigation satellite system)基线向量网平差的特点,在IGGⅢ方案的基础上,基于不同降权效率的双因子等价权的改进模型,比较了并行编程方法及环境的适应性,提出了基于多任务划分与处理的并行计算流程,实现了相关观测抗差贝叶斯估计的并行计算。实验采用IGS全网的数据,结果表明,相关抗差并行贝叶斯估计不仅能够充分利用坐标参数的先验信息,有效抵制基线向量异常误差的影响,而且能够充分利用已有的硬件平台,显著提高抗差计算效率。     

GPS网与旧网的坐标拟合

随着GPs技术的不断普及,许多城市都在利用它对城市控制网进行改建、扩建.而旧网的坐标资料以及多年积累的成果资料还须利用,这就涉及到新旧坐标的换算问题.本文以吴江市城镇地籍测量为例.     

融合卷积神经网络和循环神经网络的车轮目标检测

目标检测是基于视觉的目标定位关键技术。针对现有车轮检测方法对环境敏感问题,本文提出一种并联式融合循环神经网络和Faster R-CNN的车轮检测模型FusionRNN,借助RNN能够处理时序和CNN能够提取空间域隐性特征的优点,可提高实时性,减少参数量,使模型表达能力更强,同时具备分析序列化向量间语义关系和识别车轮几何特征的能力。该模型能在由激光雷达扫描得到的车轮三维点云投影图中准确检测出车轮位置,为基于AGV自动停车系统搬运车辆提供准确稳定的车辆位置信息。     

应用复杂网络理论的城市路网可靠性分析

城市路网作为一种关系居民日常生活、社会经济发展的重要网络,在受到暴雨洪水、交通堵塞以及遭遇破坏时,可能局部失效,进而影响整个路网的运输能力和效率。本文针对城市路网的拓扑特点,以复杂网络理论为基础,对两种不同布局结构的路网分别采用主方法和对偶方法建模,分析比较其复杂网络特性,并在此基础上进行了基于节点度和基于节点中介中心性的选择性破坏实验,最后分析了不同结构的路网在不同攻击策略下所表现出来的可靠性。     

Uniform network transformation for points pattern analysis on a non-uniform network

In the real world, there are many kinds of phenomena that are represented by points on a network, such as traffic accidents on a street network. To analyse these phenomena, the basic point pattern methods (i.e. the nearest neighbour distance method, the quadrat method, the K-function method and the clumping method) defined on a plane (referred to as the planar basic point pattern methods) are extended to the basic point pattern methods on a network (referred to as the network basic point pattern methods). However, like the planar basic point pattern methods, the network basic point pattern methods assume a uniform network and this assumption is hard to accept when analysing actual phenomena. To overcome this limitation, this paper formulates a transformation, called the uniform network transformation, that transforms a non-uniform network into a uniform network. This transformation provides a simple procedure for analysing point patterns on non-uniform networks: first, a given non-uniform network is transformed into a uniform network; second, the network basic point pattern methods (which assume a uniform network) are applied to this transformed uniform network. No modification to the network basic point pattern methods is necessary. The paper also shows an actual application of this transformation to traffic accidents in Chosei, Japan.     

径向基函数神经网络用于小比例尺道路网选取

针对小比例尺道路网专题数据少、语义信息缺乏的特点,该文根据小比例尺道路网已有的语义几何属性和拓扑结构,构建一系列参数作为选取依据。将道路网选取抽象为分类问题,提出一种使用径向基函数神经网络和多参数进行道路网选取的方法。相比时下较常用的反向传播神经网络,径向基函数神经网络具有更高效的学习性能。利用径向基函数神经网络的非线性映射能力,对样本进行训练和验证,并选择不同结构类型(放射式、格网式和自由式)的道路网进行选取实验。结果表明,该方法在小比例尺道路网选取研究中具有可行性,且在自动获取选取参数的同时提高了选取精度。     

图卷积网络在道路网选取中的应用

针对现有制图综合中的道路网自动选取方法不能有效地利用道路网的空间特征问题,该文把道路网抽象为图结构,提出了使用图卷积网络来进行道路网的自动选取,并比较分析了不同的图卷积网络在道路网选取中的适用性。结果表明,图卷积网络可以通过多层卷积来自动提取不同局部范围的空间特征,从而减少空间特征的人工构建,相比传统的多层感知机(MLP)等人工智能选取方法,具有更高的选取精度。对于不同的图卷积网络模型,使用最大池化聚合的GraphSAGE获得了最优的性能。     

一种卷积神经网络的地图图片智能识别方法

针对网络中的地图图片目前难以快速搜寻并对其进行有效标引这一问题,该文提出了使用深网搜索引擎持续获取网络图片,在标记样本较少的情况下,采用基于主动学习的样本扩容算法、基于卷积神经网络的网络地图图片自动语义标引方法,能快速、有效地识别网络中的地图图片,对地图图片的识别精度达到了93.64%,克服了采用人工方式获取样本和图片识别过于耗时费力的困难,有效解决了稀少样本下网络地图图片的智能提取难题,可为地理信息挖掘、问题地图监管等提供有效保障。     

空间网与地面网联合平差数据处理方法注

针对联合平差数十万个观测值 ,近 2 0万个未知数来说 ,如何有效地组织数据 ,管理数据 ,最大限度地压缩内存是联合平差数据处理的关键。本文主要讨论联合平差数据处理中的主要函数模型和随机模型、大规模稀疏矩阵有效的解算方法并用软件加以实现。作为实例用此软件对小范围的实验区数据进行平差 ,对其解算结果进行了分析     

脉冲耦合神经网络支持下的网络Voronoi图构建

针对网络Voronoi图中点与点之间通过实际路径距离而非传统欧式距离相连,在实际应用中较平面Voronoi图更加合理,该文提出了一种基于改进脉冲耦合神经网络的网络Voronoi图构建算法。借助模型的自动波发放及并行处理特性,较好地实现了基于路网的网络空间剖分,顾及了道路网及其点群自身属性对其服务范围的影响。实验表明,该算法实现了点群网络Voronoi图的构建,最短路径思想的引入使得构建的网络Voronoi图符合Voronoi图基本特征,可以用来表示点群的服务范围,不仅如此,算法的并行特性保证了算法的高效率。     

The network K‐function in context: examining the effects of network structure on the network K‐function

The flaws of using traditional planar point‐pattern analysis techniques with network constrained points have been thoroughly explored in the literature. Because of this, new network‐based measures have been introduced for their planar analogues, including the network based K‐function. These new measures involve the calculation of network distances between point events rather than traditional Euclidean distances. Some have suggested that the underlying structure of a network, such as whether it includes directional constraints or speed limits, may be considered when applying these methods. How different network structures might affect the results of the network spatial statistics is not well understood. This article examines the results of network K‐functions when taking into consideration network distances for three different types of networks: the original road network, topologically correct networks, and directionally constrained networks. For this aim, four scenarios using road networks from Tampa, Florida and New York City, New York were used to test how network constraints affected the network K‐function. Depending on which network is under consideration, the underlying network structure could impact the interpretation. In particular, directional constraints showed reduced clustering across the different scenarios. Caution should be used when selecting the road network, and constraints, for a network K‐function analysis.