国际原子时和地方原子时的概念与实现分析

本文分析了国际原子时的概念、实现方法、性能要求,总结了主要的地方原子时系统的基本情况,重点分析了中、美、俄等国家原子时系统特点,统计分析了各地方时频系统在国际原子时计算中的权重比例,分析了国际原子时与UTC、GPST、BDT等其他时间系统的关系,为原子时的系统实现和应用提供参考。     

大地元素实现坐标系统转换的数学模型

本文在分析传统转换模型特点的基础上,给出一个基于新型大地坐标系、以大地元素为转换参数的坐标系统转换模型;并结合已有数据,对应用传统数学模型与新模型实现坐标系统转换进行比较分析。结果表明,应用新模型实现坐标系统间的转换更加适合我国坐标数据的现状,并且在转换过程中无需顾及由于投影引起的变形误差的影响。     

典型遥感数据分类方法的适用性分析——以遥感图像场景分类为例

目前普遍采用的分类器通常都是针对单一或小量任务而设计的,在小数据量的处理中能取得比较满意的结果。但对于海量遥感数据的处理,其在处理时效和分类精度方面还有待研究。本文以遥感图像场景分类任务为例,着重对遥感数据分类问题中几种典型分类方法的适用性进行比较研究,包括K近邻(KNN)、随机森林(RF),支持向量机(SVM)和稀疏表达分类器(SRC)等。分别从参数敏感性,训练样本数据量,待分类样本数据量和样本特征维数对分类器性能的影响等几个方面进行比较分析。实验结果表明:(1)KNN,RF和L0-SRC方法相比RBF-SVM,Linear-SVM和L1-SRC,受参数影响的程度更弱;(2)待分类样本固定的情况下,随着训练样本数目的增加,SRC类型分类方法的分类性能最佳,SVM类型方法次之,然后是RF和KNN,在总体分类时间上呈现出L0-SRCL1-SRCRFRBF-SVM/Linear-SVMKNN/L0-SRC-Batch的趋势;(3)训练样本固定的情况下,所有分类方法的分类精度几乎都不受待分类样本数目变化的影响,RBF-SVM方法性能最佳,其次是L1-SRC,然后是Linear-SVM,最后是RF和L0-SRC/L0-SRC-Batch,在总体分类时间上,L1-SRC和L0-SRC相比其他分类方法最为耗时;(4)样本特征维数的变化不仅影响分类器的运行效率,同时也影响其分类精度,其中SRC和KNN分类器器无需较高的特征维数即可获得较好的分类结果,SVM对高维特征具有较强的包容性和学习能力,RF分类器对特征维数增加则表现得并不敏感,特征维数的增加并不能对其分类精度的提升带来更多的贡献。总的来说,在大数据量的遥感数据分类任务中,现有分类方法具有良好的适用性,但是对于分类器的选择应当基于各自的特点和优势,结合实际应用的特点进行权衡和选择,选择参数敏感性较小,分类总体时间消耗低但分类精度相对较高的分类方法。     

利用点云检测室内导航元素的方法综述

随着大型公共设施的普及和人们室内活动的增多,人们对构建室内精细化导航模型的需求日渐迫切。近年来飞速发展的三维激光扫描、摄影测量、计算机视觉等技术,能够快速高效地获取高精度室内点云数据,为室内精细化导航提供丰富的数据源。如何从海量杂乱的点云中提取出可用于室内导航路径规划的室内导航元素如房间、门窗、楼梯、走廊等,成为了研究的热点和难点。因此,从基于点云的室内导航元素提取所面临的问题出发,综述和评价了近年来各种导航元素提取的相关理论和算法,并针对其各自优缺点,提出利用几何方法与统计方法相结合实现室内导航元素检测和导航网络构建的新思路。     

基于模糊统计分析模型的概念层次分类研究

对传统的基于模糊统计分析模型的概念分类方法进行改进,首先,通过专家系统获取各模糊样本集,利用统计分析方法求得分布函数;然后,利用该函数获得模糊隶属函数,通过隶属函数求各模糊集最模糊点;最后根据最模糊点获得各模糊集的区域划分,实现概念层次分类处理,避免了传统方法处理的复杂性和主观性。     

国产机载LiDAR系统安置元素解算方法的研究

基于国产机载LiDAR系统组成,研究了该系统安置元素的解算方法,建立对应的数学解算模型,同时设计地对地检校场试验来解算安置元素,利用实际工程数据来验证安置元素对整个集成系统精度的影响及解算模型的正确性与可行性。     

基于人工免疫系统的遥感图像分类

提出了一种基于人工免疫系统(ArtificialImmuneSystem)的分类方法。该方法首先应用人工免疫系统的克隆选择算法对样本进行自学习,得到全局最优的聚类中心,然后利用学习得到的聚类中心对整幅影像进行分类。由于人工免疫系统继承了生物免疫系统的自组织、自学习、自识别、自记忆的能力,从而使得人工免疫系统具有非线性的分类能力,并能够快速准确地得到全局最优解,克服了传统分类方法约束条件多,容易陷入局部最优的缺点。实验结果证明,该算法分类精度上优于传统的分类方法,总精度和Kappa系数分别达到了89.80%和0.8725,因而具有实用价值。     

基于改进模糊统计分析模型的概念层次分类规则研究

在数据挖掘和知识发现的研究过程中,往往需要对大量的数据进行概念层次分类处理,现广泛使用的方法是通过经验知识或主观判断进行处理,由于知识背景和经验层次的不同,导致不同的人对同一批数据同一问题提出不同的规则知识,加大了对规则知识进行合理性评估的难度。基于此问题,对传统的基于模糊统计分析模型的概念层次分类方法进行改进,首先,通过专家系统获取各模糊样本集,根据离散化的样本属性值及其相对隶属频率值对,进行RBF神经网络训练;然后,利用训练好的神经网络求取各模糊集的最模糊点;最后根据最模糊点获得各模糊集的区域划分,从而实现概念层次的分类处理,避免了传统方法处理过程的复杂性和主观性。     

基于面向对象特征提取的BP神经网络分类——以武陵源地区为例

采用面向对象影像分类与BP神经网络分类相结合的方法,对高分辨率无人机影像进行土地利用分类。利用光谱、形状、纹理、对象间关系等影像特征,通过基于面向对象的方法对影像提取特征进行初步分类,再将初步分类结果应用于BP神经网络,结合原影像数据进行进一步分类,提高分类精度、纠正分类错误。结果表明,该方法最终分类结果达到了88.9%的总体分类精度和0.863的Kappa系数,影像分类结果对比传统影像分类方法的总体精度与Kappa系数均有所提高。     

基于地表生物物理参数的土地利用/覆盖遥感分类方法研究——以长沙市以例

土地利用/覆盖分类通常是利用地物的波谱反射特征进行监督或非监督分类,分类结果由于"同物异谱、异物同谱"现象的存在,往往分类精度不高。而植被指数和地表温度作为表征地表覆盖状况的生物物理参数,已成功用于宏观尺度的土地利用/覆盖分类,使得分类结果有所提高,而对于区域尺度的土地利用/覆盖分类却少见报道。本文充分利用TM数据的多光谱特征,从中提取了植被指数NDVI、地表温度Ts、温度植被角度TVA和温度植被距离TVD这四种分类特征进行监督分类,通过对7种组合方案(反射率波段组合、NDVI与反射率波段组合、Ts与反射率波段组合、NDVI与Ts和反射率波段组合、TVA与反射率波段组合、TVD与反射率波段组合、TVA与TVD和反射率波段组合)的分类结果进行比较,得出以下结论:①NDVI、Ts、NDVI和Ts、TVD作为分类特征参与到多波段地表反射率影像分类中,能够提高分类精度,而TVA、TVA和TVD的加入却没有改善分类结果;②总体分类精度受到训练样本与检验样本比例的影响。     

基于像元形状指数的图像分类——以长春市为例

像元形状指数是一种基于像元的空间特征算子,采用像元形状指数(PSI)来描述像元点邻近区域的形状特征,通过中心像元及其邻域相似性描述了中心像元的上下文形状分布,有效地提取了影像中的光谱信息,并取代了原有的光谱特性,弥补了原有光谱特性的不足。像元形状指数对原有图像处理后,利用支持向量机光谱与形状特征融合的算法对处理过的影像进行分类处理。研究结果表明,经像元形状指数变换后的光谱特性更加适合图像分类,且形状和光谱特征的融合可以有效地提高分类的准确性。