降相关对模糊度解算中搜索效率的影响分析

首先理论分析了条件数、正交缺陷度、S(A)等降相关评价指标所表示的几何意义,然后采用LAMBDA算法、LLL规约算法和Seysen规约算法通过模拟和实际数据对模糊度的搜索效果和不同评价指标之间的关系进行了深入计算分析。进一步验证得出"降低模糊度方差分量间的相关性实现最大程度地压缩椭球可以提高搜索效率"的观点是片面的,并通过结果分析表明提高搜索效率的本质在于尽可能地促使基向量按照一定方向排序。     

一种有效的LLL规约算法

针对Lenstra-Lenstra-Lovász(LLL)规约算法在高维情况下规约耗时较大的特点,采用贪心算法和部分列向量规约,减少LLL算法规约过程中的基向量交换和尺度规约次数,以降低LLL算法的计算复杂度。通过模拟和实测的数据验证,该改进方法可以降低LLL算法的规约耗时,因而对高维模糊度的快速解算具有一定的参考应用价值。     

模糊度降相关应用中的整数正交化过程研究

为解决格理论中最近向量和最短向量两大难题而提出的经典LLL算法已成功应用到模糊度降相关领域。由于模糊度降相关中对变换矩阵的要求,LLL算法在GS正交化变换过程中加入了取整运算,通过分析发现算法的整数正交过程在取整舍入误差的基础上还会引入新的误差,并且随着变换的进行该误差还会累积,最终影响正交化的效果。在分析的基础上对整数正交化过程进行改进,并且通过计算分析验证改进算法较之前有了很大的改进。     

一种快速解算高维模糊度的LLL分块处理算法

由于多频多模GNSS观测数据解算的模糊度具有较高的维数和精度,当采用常规的LLL算法进行模糊度整数估计时,规约耗时显著大于搜索耗时,成为限制高维模糊度解算计算效率的主要因素。针对这一问题,通过分析规约耗时与模糊度维数和精度之间的关系,提出了一种LLL分块处理算法。该算法通过对模糊度方差协方差阵进行分块处理,降低单个规约矩阵的维数,以减少规约耗时,从而提高模糊度解算计算效率。通过两组实测高维模糊度数据对本文提出的分块处理算法进行了效果验证。结果显示,当分块选择合理时,本文提出的算法相对于LLL算法的解算效率分别可提高65.2%和60.2%。     

模糊度降相关的整数分块正交化算法

随着模糊度实数解协方差矩阵维数的增加,由于取整运算舍入误差的影响,LLL降相关算法的成功率低、降相关效果差。本文引入分块正交的思想,设计了整数分块Gram-Schmidt正交化算法,同时联合LLL算法提出了基于整数分块正交化的LLL降相关算法（IBGS-LLL）。利用随机模拟的方法,分析了不同维数下不同分块方式的降相关效果,明确了不同模式下算法的分块方式。在动态和静态模式下与改进的LLL算法进行了比较,证明了IBGS-LLL算法在模糊度协方差矩阵降相关方面具有更优的效果和更高的成功率。     

基于格论的GNSS模糊度解算

快速、准确地解算整周模糊度是实现GNSS载波相位实时高精度定位的关键,由于模糊度之间的强相关,基于整数最小二乘估计准则时,需要较长的时间才能搜索出最优的整周模糊度向量。为了提高模糊度的搜索效率,本文在扼要介绍格论的理论框架基础上,引入基于格论的模糊度解算方法,通过格基规约来降低模糊度之间的相关性,从而快速搜索出最优的整数模糊度向量。与此同时,将GNSS领域的主要降相关方法统一到格论框架下,探讨了并建议采用Bootstrapping成功率作为格基规约的性能指标之一。最后实验分析了三频多系统长基线相对定位情况下,不同格基规约可获得的性能。     

利用正交化方法确定独立基线及独立双差模糊度

介绍了利用Gram-Schmidt正交化算法构建独立向量集的原理,并利用关联矩阵和向量权的思想构建独立基线向量集和独立双差模糊度向量集,讨论了三种构建双差模糊度向量的特点,给出了选择独立基线和独立双差模糊度的正交化算法。通过一个全球GPS网定轨算例,给出了计算结果,验证了方法的有效性。     

改进布谷鸟算法优化支持向量机的隧道变形预测分析

传统支持向量机参数寻优时间较长,模型的稳定性也较差。为解决传统支持向量机预测模型在隧道围岩变形预测中精度较低的问题,引入布谷鸟算法,同时改进布谷鸟算法中的搜索公式,从而提出一种基于改进布谷鸟算法的支持向量机组合预测模型。将此模型运用到云南省昆明市阳宗隧道围岩位移预测中,并与标准布谷鸟算法的支持向量机组合模型以及单一的支持向量机模型比较,实验结果表明:基于改进布谷鸟算法的支持向量机模型精度更高,更具有优势。     

基于变量投影的结构总体最小二乘算法

测绘领域诸多实际应用中系数矩阵和观测向量具有结构特征,即系数矩阵和观测向量中包含固定量(甚至固定列)和随机量,并且不同位置的随机量线性相关。针对这个问题,从变量误差(errors-in-variables,EIV)函数模型出发,首先,将系数矩阵和观测向量构成的增广矩阵表示为仿射函数形式,并采用变量投影法对函数模型进行重构;然后,利用拉格朗日法推导出了一种结构总体最小二乘(structured total least squares,STLS)估计算法。算例分析结果表明,该算法与已有能够解决系数矩阵和观测向量存在结构特征的加权或结构总体最小二乘算法估计结果一致,说明了该算法的有效性,同时阐明了该算法与已有相关算法的关系。     

基于KICA的多时相遥感图像变化检测

针对PCA变化检测方法的精度较低和ICA方法的线性局限性问题,提出了基于核独立成分分析(KICA)的多时相遥感图像变化检测方法。首先,将每一时相的图像转化为列向量,并把这些列向量组成矩阵;然后,通过核函数将矩阵映射到高维特征空间中,再在该空间中利用ICA方法分离出相互独立的图像分量;接着通过FCM算法分割表征变化信息的图像分量,并采用区域生长算法获得完整的变化信息;最后,分别利用本文方法与差值法、PCA方法和ICA方法对多时相遥感图像进行变化检测,并对检测结果进行定性分析和定量比较。结果表明,该方法能更好地分离出多时相遥感图像的变化信息,具有更高检测精度。     

度量观测方程系数矩阵复共线性的最小相对范数法

当法方程系数矩阵N(N＝A^TA)具有较强的复共线性时,其结构是“病态”的。“病态”的N将破坏参数LS估值的优良性质和质量。因而,度量N的复共线性对判断其是否病态很重要。度量矩阵复共线性的方法有多种,其中,矩阵的条件数法最为常用。针对条件数法的不足,提出一种直接度量观测方程系数矩阵A的复共线性的新方法。这种方法是对矩阵A中n个列向量αl实施Gram-Schmidt正交化,求每一个向量正交化前后的范数及其相应的比值,以一组比值中的最小值作为该矩阵复共线性的度量。这种方法的显著特点是：度量有明确的上、下界,度量值仅反映参数列向量间的复共线性,根据参考指标可以有效地判断矩阵的病态性。依据这种方法,便于研究矩阵复共线性的产生原因与解决方案;作者将此方法概括为最小相对范数法。     

基于维度特征的RANSAC建筑物点云分割算法

提出一种以建筑物表面形状特征为分割依据的改进RANSAC点云分割算法。该算法以主成分分析算法为基础计算维度特征和熵函数,并以熵函数最小准则确定最优邻域,继而进行表面形状分类,运用法向量夹角作为约束条件对分类结果进行优化。将分类结果作为随机抽样一致性(RANSAC)点云分割算法的模型选择依据,进行建筑物表面分割,采用法向量和距离等约束条件对分割结果进行优化,从而分割出具有不同形状的特征表面。实验表明:文中提出的改进的RANSAC点云分割算法是可行的,能有效保留表面特征。     

一种多维尺度分析到达时间差定位算法

基于多维尺度分析的到达时间差定位算法是一种新型而高效的到达时间差定位算法,它通过多维尺度分析,将到达时间差定位问题建模为矩阵范数的最优化问题,然后通过子空间分析将该最优化问题转化为线性方程求解问题。指出该算法在推导过程中的一处疏漏,即在转化为线性方程求解问题过程中,并不能通过标量积矩阵的正定性得到目标线性方程,因为标量积矩阵并非正定。针对二维定位的情形给出一种严格的证明。该证明针对位置坐标矩阵列向量的线性相关性进行分类,当该矩阵的列向量线性无关时,目标线性方程成立;而当该矩阵的列向量线性相关时,通过分析该矩阵的列秩和行秩,可以得出参考点和目标点所必须满足的几何排布条件,并验证在该条件下目标线性方程仍然成立。     

基于MATLAB的边缘检测算法研究

边缘检测是处理与剖析图像的主要内容之一,它在文字识别、车牌识别、遥感特征地物的提取等生产和生活领域发挥着非常重要的作用。但是,不同的图像有着不同的特征,到目前为止,没有一种统一的方法对所有的图像及地物的特征进行边缘检测。针对这一不足,本文首先探讨了4种经典的二值化算法和相应的改进二值化算法,并将经典算法与改进后的算法进行对比分析,然后利用Canny算子对二值化处理后的图像进行边缘检测。得出结论,迭代法和改进的迭代法与Canny算子相结合作为边缘检测的方法是一种高效率、高精度的方法。     

基于压缩感知的航空影像超分辨率重建

详细介绍了压缩感知的研究现状和发展趋势,对压缩感知理论的原理、稀疏基的选取、测量矩阵的构造和信号的重建进行了详细阐述。在图像超分辨率重建技术的基本模型的基础上,基于压缩感知的图像超分辨率重建模型,使用小波基作为稀疏基,并使用改进的正则化正交匹配追踪算法对单幅图像进行超分辨率重建。最后,进行仿真实验,实现了基于压缩感知的单幅图像超分辨率重建,并且和传统的超分辨率重建算法进行对比。结果表明,基于压缩感知的图像超分辨率重建算法,取得了比较好的效果。     

基于支持向量机的遥感影像分类比较研究

支持向量机是建立在统计学习理论基础上的一种新的人工智能算法,较好地克服了传统分类方法中存在的小样本、非线性、过学习、高维数、局部极小点等问题,是一种极具潜力的遥感影像分类算法。本研究采用Landsat-5的TM影像,用支持向量分类法对影像进行分类,分析了支持向量机不同参数组合情况下的分类精度,并对支持向量分类法与传统分类方法进行了比较,发现支持向量分类算法具有参数选择范围宽,不要求对待分类区域地物光谱特征和影像分布特征具有先验知识,分类精度高等特点,对于在没有现场同步实测数据的区域进行精确的分类具有特别重要的价值。     

基于球结构支持向量机的QuickBird影像分类分析

在支持向量机多类识别基础上探讨以球结构替代传统超平面支持向量机对QuickBird影像进行分类的可行性,对重叠区域的数据分类采用新规则,提高球结构支持向量机算法的泛化性能,并将分类结果与最小距离法、最大似然法分类结果进行比较,实验结果表明该算法有效可行,降低了二次规划的复杂度,缩短了样本训练时间.     

一种基于多维正交判别子空间投影的人脸识别方法

人脸识别中,传统数据降维方法将人脸图像重排列成向量后进行处理,丢失了数据本身的结构特性,导致识别精度不高。本文发展了一种基于张量的数据降维方法———多维正交判别子空间投影。该算法直接用张量描述人脸,并通过张量到矢量投影(tensortovectorprojection,TVP)将张量数据投影到向量判别子空间。此方法寻找相互正交的投影向量集,使得判别子空间中数据类间离散度最大,同时类内离散度最小;进而利用TVP投影将高维张量数据映射成低维向量数据,在合适的约束条件下,这些降维后的向量特征数据是整个人脸数据中最具代表性的特征数据;最后,使用k最近邻(KNN)分类器将这些特征数据分类。利用经典人脸数据库ORL进行实验,验证了本文方法的有效性。     

一种新的空谱联合高光谱图像分类方法

针对现有高光谱图像分类方法对空间和谱间信息的利用不充分,限制了地物分类的准确度的问题,该文提出一种基于正交线性判别分析和三维离散小波变换的高光谱图像空谱联合分类算法。该算法首先利用正交线判别分析对高光谱图像进行特征提取和特征缩减;然后将提取后的特征经三维离散小波从不同尺度、频率和方向上分解,以级联的方式获得具有正交类判别信息的空谱融合特征集;最后,将空谱融合特征集作为概率支持向量机的输入特征,分类的结果再通过马尔可夫随机场利用空间上下文信息细化分类图,进一步提升分类准确度。在Indian Pines和Salinas两组数据集上的实验表明,相比其他算法,该算法能达到更高的总体分类准确度和Kappa系数,并且在大部分的地物类别上的分类准确度有着较为明显地提升。     

改进的边标志栅格化算法

矢量多边形的栅格化算法是地理信息系统的基础算法之一。本文通过分析比较,认为边标志算法于众多栅格化算法中最为适合地理信息系统,并通过简化边界标志过程进行了改进,使得处理流程更为简单清晰,实现更为方便,算法更为精确有效。该改进算法使用统一的相加方法进行边界标志,无需对特殊顶点、尖锐多边形、带岛多边形等进行判断和边界转换,便可一次性正确标志,且无需顾及多边形边的存储顺序,更加适合地理信息系统矢量多边形的数据结构。