����Vondrak�ֲ�̽��Ŀ���EKF�㷨��GPS�����е�Ӧ��

???????Vondrak?????????????EKF??,???????GPS??????λ??????????????EKF??????????????????Vondrak??????????????????μ????EKF???????????????д???????λ????????????????EKF???????????????????????д???????????????EKF????????????????д?????????????????????????????????????п????????????????????Ч???     

�������ɶ�����GPS����������춥�ӳٵ�Ӱ��

????????????????????????????IGS?????????????????????λ?????????????????????????????????н???????????1??????????????????????cm??????2????????????????????Ч????????GPS?????????????????????????????mm??????3????????????????????????Ч???????????????     

����ƽ��ϵͳģ�����İ������������

????????????У????????????д???????????????????????????????????????????????????????????????????e??????????С????????????????????????????????R??????????????????????????????????????????????????????????????????С??????????????б?????????????????????????Ч??????????????д?????????????н?????????????     

����Ӧ�����ѧ��Ʒ���Զ�����——�԰Ͷ�5.1������Ϊ��

?????й??????????????μ????????????????????????????????????????????????????????????????????5.1????????????????÷??????????????????????????н?????Ч???????????????     

���ڽض���С���˹��ƵĶನ���쳣����ֵ�޳�����

????????????????????д?????????????ο????????????????????????С??????????????????????????????????y????С????????????????????о???????????????????????????????????棬????????????????????????????в??????????????????????????????????????????й?????????????????????????λ?????????????????????????????????????????????????????????????????д???????????????????????н?????Ч????     

���ڸĽ�С����ֵȥ�뷨�ı���Ԥ���о�

?????С?????????????????????μ???????????????С???任????????????????????μ??????????????????????????????????????????ι????????????н??????????????????????????Ч???????????????????淽????     

�����ƹ�ģ���ڸ�������ת���е�Ӧ��

2000???????????(CGCS2000)????????????????????????????????????о????н??????????????????????????????????????????????????????????Bursa??????????????????н???в??????????????????????????????????в?????????????Э???????????????溯?????????????????????????????в????????????????????????????????????????????????????????????????????Ч????????в??????????????в??????????С??????????y??????????     

�й�IGSվ��·�������Ƽ���Ľ��㷨

????????·??????????е????????????????С??????????????????????????????????????????????·????????н??????????????????????????Ч??????????·????????к???????????????????????·??Ч?????????·???????????????80%?????     

���ڻ�ɫģ����С��������������Ӳ�Ԥ������

???????????????С???????????????????????????????????????????????????????????????????????????????в??С??????????н?????????????????????????????????????????IGS????????????飬????÷????????Ч????????ζ???????????????????????R???????F?????????????????????2???????     

������������Ĵ�ֱ�ռ����

??????????????????????п???????λ??????????????????????????,????????????????????Ч?????????????????,????λ???仯??????????????н??????????????????????????????????????????????????????????????д??????????????????????????????????????????????????С?10 ¹ nT??????     

相邻历元误差相关的抗差卡尔曼滤波算法分析

根据卡尔曼滤波理论以及抗差理论,本文推导出了相邻历元误差相关的抗差卡尔曼滤波模型,其对观测值中含有粗差有良好的抗差性。通过对含有粗差的变形监测数据分析,与相邻历元误差相关的卡尔曼滤波模型进行比较,采用本文构造的抗差卡尔曼滤波模型处理数据,无论是否有粗差存在观测值里,变形计算结果与实际结果大体一致,粗差对计算结果的影响不敏感。在对变形监测数据分析时,可得出卡尔曼滤波方法估计的状态向量,没有寄存大量的以往观测数据,而是使用最近的观测数据,经过不断的预测和改正,把新的状态展示在系统中。     

基于广义高斯模型的机载测深LiDAR波形拟合算法

针对传统LiDAR测深波形拟合算法受噪声干扰严重、对微弱回波信号及复杂波形拟合不准确的问题,提出一种基于广义高斯模型的波形拟合算法。首先通过计算滤波前后尾段波形的差异估计波形的噪声;然后利用广义高斯模型提取海面与海底反射信号分量,并对剩余信号进行迭代拟合;最后利用LM算法对参数进行优化,并对优化后的参数进行约束,避免冗余分量。采用南海实测数据进行验证,该算法拟合微弱回波及复杂波形能力强,不论在浅水(回波发生叠加)还是深水,其拟合精度均优于传统算法,具有良好的鲁棒性。     

Using Statistical Learning Algorithms in Regional Landslide Susceptibility Zonation with Limited Landslide Field Data

Regional Landslide Susceptibility Zonation(LSZ) is always challenged by the available amount of field data, especially in southwestern China where large mountainous areas and limited field information coincide. Statistical learning algorithms are believed to be superior to traditional statistical algorithms for their data adaptability. The aim of the paper is to evaluate how statistical learning algorithms perform on regional LSZ with limited field data. The focus is on three statistical learning algorithms, Logistic Regression(LR), Artificial Neural Networks(ANN) and Support Vector Machine(SVM). Hanzhong city, a landslide prone area in southwestern China is taken as a study case. Nine environmental factors are selected as inputs. The accuracies of the resulting LSZ maps are evaluated through landslide density analysis(LDA), receiver operating characteristic(ROC) curves and Kappa index statistics. The dependence of the algorithm on the size of field samples is examined by varying the sizes of the training set. The SVM has proven to be the most accurate and the most stable algorithm at small training set sizes and on all known landslide sizes. The accuracy of SVM shows a steadilyincreasing trend and reaches a high level at a small size of the training set, while accuracies of LR and ANN algorithms show distinct fluctuations. The geomorphological interpretations confirm the strength of SVM on all landslide sizes. Our results show that the strengths of SVM in generalization capability and model robustness make it an appropriate and efficient tool for regional LSZ with limited landslide field samples.     

一种新的散乱点云数据多级空间索引

散乱点云数据具有数据量大（海量性）、数据表达精细（高空间分辨率）、空间三维点之间无拓扑关系（散乱性）等特征,在对其进行应用前必须进行数据预处理（如去噪、配准、分割等）。而在这些数据处理过程中需频繁的进行邻域查找,如果没有高效的查询索引机制,很难实现数据自动处理。因此,如何进行数据的组织和索引,以提高后续邻域检索和查询等操作的速度,是目前点云数据处理中的一个研究热点。针对现有点云数据采用的空间索引方式的优缺点,本文提出了一种多级格网和KD树混合的空间索引,该索引提出变分辨率格网索引与KD树的混合索引模式,简称MultiGrid-KD树索引。该方法在保持网格索引算法实现简单查询效率高等优点的同时,解决了单一分辨率数据冗余的问题。以故宫太和殿的点云数据为例,对本文提出的MultiGrid-KD树索引算法和KD树、八叉树等经典算法做对比。结果表明,本文索引方法在最邻近点查询以及四邻域查询的效率上均优于KD树,以及八叉树索引。     

一种用于DEM数据认证与篡改定位的感知哈希算法

DEM数据作为重要的基础地理信息数据,其数据完整性问题不容忽视。基于DEM数据完整性认证的要求,以及相关认证算法的欠缺,本文运用感知哈希技术设计了一种DEM数据认证算法,并可实现篡改定位。因DEM数据具有数据量大、细节丰富的特点,首先对其进行规则格网划分,将其划分为互不重叠的格网单元;然后对格网单元数据进行DCT分解,提取数据的特征信息以生成特征向量矩阵,并对特征向量矩阵进行摘要化处理;随后,使用Logistic混沌系统对简化后的特征向量矩阵进行置乱;对置乱矩阵进行量化、编码后,便可生成感知哈希序列。在数据认证时,首先计算原始数据与待验证数据的高程相对中误差,再将二者的感知哈希序列进行归一化汉明距离度量,结合判定阈值,即可对DEM数据进行数据认证与篡改定位。该算法对DEM数据的格式转换、水印嵌入等攻击有较强的鲁棒性,对各类改变内容的操作具有敏感性,并可实现DEM数据微小篡改的识别与定位。与已有的DEM完整性认证方法相比,将DEM数据的"内容"作为完整性度量的重要标准,在具体应用中更具有实用价值。     

一种快速重叠开窗拟合算法及其在电离层拟合中的应用

提出一种基于分段的重叠窗口拟合算法,它将分段窗口分为边界区、重叠区和内部区,通过对前后窗口重叠区拟合值的加权平均,使窗口间拟合值的变化连续。采用实测GNSS电离层数据,分别对逐历元滑动窗口、独立分段窗口和重叠窗口3种算法进行实验对比,其中在以400历元窗口对NKLG站G01的电离层拟合计算中,逐历元法耗费121.618 s,而独立分段法和重叠分段法只分别用了0.396 s和0.985 s,计算效率分别为前者的307倍和123倍。结果证明,该算法兼顾计算精度与执行效率,是处理数据量较大、连续且变化剧烈的时间序列的有效方法。     

一种适合于科学数据的聚类算法

聚类是科学数据挖掘中的核心问题.在已提出的聚类算法中大都是基于＂距离＂的概念,这类算法的缺点在于处理数据量大和维数高的科学数据时不够有效,因此提出迭代网格算法.这个算法与基于距离的损法有根本不同,它抛弃了距离的概念,而采取一种新的思路.它不仅能够自动发现包含有趣知识的子空间,并将里面存在的所有聚类挖掘出来;而且它能很好的处理维数高和数据量大的科学数据.     

基于卡方检验的抗差自适应Kalman滤波在变形监测中的应用

在抗差Kalman滤波的基础上引入双自适应因子,分别对动态模型不准确和观测模型存在粗差进行调节,构建双自适应因子滤波模型。针对抗差自适应Kalman滤波效率较低的缺点,通过构建基于卡方检验的抗差自适应Kalman滤波,先用卡方检验对粗差进行检验,再调用抗差自适应Kalman滤波进行处理。工程实例表明,双自适应因子滤波模型可以很好地抵御粗差,并减弱模型不精确的影响。基于卡方检验的抗差自适应Kalman滤波不仅可以削弱粗差对滤波估值的影响,而且可以提高数据处理的效率。     

基于虚拟特征点的三维激光点云粗配准算法

在地面三维激光点云特征提取的过程中,由于三维点云数据采集仪器、采集方法及后期处理等因素影响,依靠传统的基于曲率、法线等几何特征及统计学算法提取出的点云特征数量较多且存在较大误差,若使用其直接作为特征点数据进行点云粗配准,很难提高点云粗配准的精度及速度。因此,本文在对点云数据实际空间分布结构分析的基础上,结合特征点提取算法、法向一致化算法、PCA（Principal Component Analysis）方法及特征点聚类等方法,提出了一种三维激光点云数据虚拟特征点拟合算法。该算法生成的虚拟特征点是由点云实际的特征点拟合得到,或是由位于被测物特征线上的特征点拟合生成的特征线计算得到,该虚拟特征点并不是扫描对象上实际存在的激光反射脚点。通过实验验证,虚拟特征点拟合算法可以较准确地拟合出由于设备及操作方法等原因而未被采集到的建筑物边角点数据,得到的虚拟特征点数据较实际特征点数据具有更少的数据量及更高的精度,使用拟合得到的虚拟特征点可以减少粗配准算法的计算量,提高粗配准算法的计算效率并能获得更精确及可靠的初始配准变换参数。     

基于归一化的矢量空间数据盲水印算法

对于鲁棒矢量空间数据水印技术而言,几何变换攻击是难以对付的一种攻击。现有的抗几何变换攻击算法难以抵抗顶点攻击,因此,借用数据归一化的思想,本文提出了一种归一化的矢量空间数据盲水印算法。该算法在嵌入水印前将空间数据的坐标值进行归一化处理,以实现对平移和缩放的不变性,并通过修改顶点坐标数据的归一化值来嵌入水印。水印被多次嵌入,实现了水印的盲提取。实验结果表明,该方法对平移、缩放、増删点、裁剪、压缩、要素排序、数据格式转换等攻击具有较好的鲁棒性,同时能控制水印嵌入引起空间数据误差的大小。