DEM信息伪装关键技术分析

DEM数据具有重要的经济和军事价值,需要进行重点保护。本文分析了信息加密、信息隐藏和信息伪装技术关系,突出了DEM信息伪装的优势,重点分析了伪装算法设计、伪数据迷惑增强及算法评价等三个关键技术与解决思路,为后续研究提供了理论基础。     

基于DWT的DEM重点区域多分辨率伪装技术

在数据共享中,保护重要高程数据的信息安全十分重要,提出了一种针对DEM重点区域进行多分辨率伪装和分权限还原的信息保护方法。结合传统信息保护技术的特点,分析DEM数据重点区域多分辨率伪装的流程和特点,介绍了重点区域数据置乱以及原始数据高程漏洞填充等进行信息伪装的数据准备和预处理方法。结合DWT算法能够进行多分辨率分解的特点,实现了DEM重点区域的多分辨率信息伪装与还原。通过实验分析,证明了该方法的可行性,可以为不同权限的用户提供适当精度的高程数据,能够保证DEM数据特别是重点区域在存储和传输中的信息安全。     

抗高程平移和裁剪的格网DEM盲水印算法

针对DEM数据水印常见的攻击方式——高程平移和裁剪,该文提出了一种可有效抵抗攻击的格网DEM盲水印算法。该算法考虑了DEM数据的特点,对原始水印进行扩频处理,使其与高程差值形成映射关系;利用相邻格网的高程差值在高程平移攻击中的不变特性,以量化方式将扩频后水印按位嵌入到高程差值中,将扩张的差值分摊到相邻高程的后一位。实验结果表明,该水印算法具有良好的不可见性,对DEM数据精度影响较小,并且对抵抗高程平移和裁剪攻击具有良好的鲁棒性。     

DEM信息伪装算法的灰色多层次评价模型

文中提出一种基于灰色多层次模型进行的DEM信息伪装算法评价方法,可以更好地保证DEM数据在存储和传输中的安全。结合影响因素,建立多层次的评价指标体系,并利用层次分析法思想确立各项指标的权重系数;然后根据灰色理论中的关联度分析方法,构建用于DEM信息伪装的灰色多层次评价模型;最后利用该方法对4种算法进行实例评价并做简要分析,得到的结果真实可靠,可以为DEM信息伪装算法选择提供依据。     

地理信息服务中DEM信息安全保护策略研究

分析了可以应用于DEM信息保护的3种策略:DEM数据加密、DEM信息隐藏以及DEM信息伪装技术,研究了其具体原理和实现方法。最后分析了三者间的相互关系,可为地理信息服务中的DEM信息安全研究提供理论支撑。     

动态变形数据的EMD卡尔曼滤波降噪模型

文章介绍了kalman滤波与经验模态分解的基本原理,定义了经验模态分解的多尺度分解与合成结构。结合kalman滤波与经验模态分解(EMD)理论提出一种新的动态变形数据降噪模型。文章首先对动态变形信号进行EMD分解,选择合适的高频分解模量进行kalman滤波降噪,然后进行经验模态重构获得降噪后的动态变形信号,达到降噪的效果;最后采用单历元解算的变形数据序列进行模型验证,并与小波降噪模型、直接EMD降噪模型对比,视觉评价与量化结果表明此方法最优。     

噪声辅助EMD方法提取多路径误差模型分析

经验模态分解(EMD)方法处理间断性信号时存在模态混叠问题,使分解结果失去物理意义.本文从理论分析和实测数据的EMD分解结果两个方面,论述了多路径误差中不可避免的存在间断性的分量.针对该问题,介绍了集合平均经验模态分解(EEMD)方法借助噪声来减弱模态混叠的思路与流程,并连续两天实测GPS数据的单历元定位坐标序列,分别用EEMD和EMD方法消除随机噪声,提取多路径重复性改正模型,结果表明,EEMD方法的效果优于EMD方法.     

基于经验模式分解的滤波去噪方法研究进展

回顾经验模式分解技术的原理和滤波性质,及目前基于经验模式分解的滤波去噪算法,包括部分本征函数模态分量重构法、软阈值法、最优信号重构算法等;分析上述滤波方法在分离信号噪声方面的适用性及其可能的改进措施;最后讨论传统的周期函数拟合模型在GPS高程时间序列噪声提取中应用的局限性,提出经验模式分解应用于GPS高程时间序列噪声提取与研究的新思路。     

噪声辅助EMD方法提取多路径误差模型分析

经验模态分解(EMD)方法处理间断性信号时存在模态混叠问题,使分解结果失去物理意义。本文从理论分析和实测数据的EMD分解结果两个方面,论述了多路径误差中不可避免的存在间断性的分量。针对该问题,介绍了集合平均经验模态分解(EEMD)方法借助噪声来减弱模态混叠的思路与流程,并连续两天实测GPS数据的单历元定位坐标序列,分别用EEMD和EMD方法消除随机噪声,提取多路径重复性改正模型,结果表明,EEMD方法的效果优于EMD方法。     

利用经验模态分解的侧扫声纳噪声抑制方法

针对海道测量中侧扫声纳声强数据中的噪声问题,分析侧扫声纳海底杂波的统计模型,提出基于ping数据的经验模态分解抑制噪声方法。结果表明,从ping声强数据中减掉周期小于4的模态后,声强数据可较好地服从Gamma分布,并保持声图中的细节信息。