LZD模型多维粗差发现和定位能力分析

不借助地面控制点的DEM匹配差异探测算法是多时相DEM分析的最新发展方向。现有的算法大多把DEM表面差异作为粗差进行处理,算法性能得到了较大的提高,但忽略了对DEM匹配模型多维粗差的可发现和可定位能力进行分析,而这是DEM差异探测算法的理论基础。本文采用测量误差和可靠性理论中的判断矩阵法,通过理论分析和模拟试验验证了对于实际DEM而言,LZD模型具备多维粗差发现和定位能力。基于LZD模型的DEM差异探测算法能够正确地探测表面变形,这就完善了DEM差异探测研究的理论基础。     

基于判断矩阵的观测量粗差发现和定位相关性分析

用布尔矩阵分析、研究判断矩阵,得到观测量粗差发现和定位的相关数以及测量系统的最大可发现粗差和定位粗差数的计算公式.试验证明,当粗差发现和定位相互影响的观测量同时含有粗差时,现行的迭代数据探测法和选权迭代法不可能完全正确定位粗差.通过算例验证了使用布尔矩阵和判断矩阵分析多维粗差发现和定位相关性的有效性和优越性.     

基于主成分分析法的DEM粗差定位

规则格网DEM数据结构简单,易于存储,因而针对于它设计的粗差探测算法成果丰富,较为常用的有基于坡度信息算法以及基于参数统计方法。本文在现有算法的基础上,将主成分分析法应用到DEM粗差定位中,充分考虑DEM数据空间相关的特性,使粗差检测更为准确可靠。本文采用实测的ZX铁路线DEM数据对该算法进行检验,从试验结果可以得知,新算法不仅适用于生产者,也可面向最终用户。     

基于不同大小窗口的移动曲面拟合法探测不规则DEM粗差的一种方法

粗差的存在会造成数字高程模型(DEM)空间上的严重扭曲,有时能导致DEM及其产品严重失真,甚至完全不能使用.因而有关DEM的粗差诊断问题已愈来愈引起人们的关注.本文在对现有的基于点方式的DEM粗差探测算法进行分析的基础上,提出一种基于不同大小窗口的移动曲面拟合法探测DEM粗差的一种方法(简称YXY算法),并通过蒙特卡洛仿真试验来验证该算法的有效性和可行性.     

粗差发现和定位能力与相关系数的关系

根据粗差判断方程中的判断矩阵和两个统计检验量之间相关系数的函数式,论证了两种不同的研究方法所确定的粗差不能定位的数学模型实际上是相等的。通过算例,不仅说明两种研究方法对观测量不能定位粗差的判断是一致的,而且使用判断矩阵研究观测量的粗差发现和定位能力会更加方便简单。     

不规则DEM数据的粗差探测算法的应用

粗差作为影响精度的重要因素,其存在会造成DEM空间上的严重扭曲,有时能导致DEM及其产品严重失真,甚至完全不能使用。本文在对现有的粗差探测算法分析的基础上,提出了一种新型的适用于离散形式DEM粗差探测算法,并采用实测的ZX铁路线DEM数据对该算法进行检验,试验结果证实,新算法对不规则DEM粗差的探测有效实用。     

判断观测值粗差能否发现和定位的一种验前方法

由于最小二乘(LS)残差统计相关，使得粗差发现和定位关系变得相当复杂，且至今未见有效的理论和方法。作者依据在LS平差前进行粗差发现和定位的思路，有意避开LS残差统计相关的难题，从条件平差模型推导出粗差判断方程(GEJE)Vr＝JVt Wc建立起以上式判断矩阵J为基础的粗差发现和定位的判断准则：1．不能发现含有粗差的观测量；2．能发现含有粗差但不能定位粗差的观测量。通过算例的检验，证明了判断矩阵J与控制网中观测量数据结构的对应关系，同时说明粗差不能定位的观测量，再好的粗差检测方法也无法正确定位粗差。     

L1范数探测粗差失效的观测量识别方法

粗差发生时,L_1范数估计求得的条件方程闭合差较最小二乘估计(LS)的残差更能集中反映粗差,从而有助于粗差的发现与定位。然而,存在一类观测值,虽然其具有粗差发现和定位能力,但在采用L_1范数估计解决粗差探测问题时,无论含有多大量级粗差都不能准确定位,为叙述方便,称其为L_1抗差性失效点(robustness failpoint in L_1-norm estimation,RFP-L_1)。显然,只有判定测量系统不存在RFP-L_1,或存在时能够准确判断其是否含有粗差,才能保证基于L_1的粗差探测结果的准确、可靠,此过程中,RFP-L_1的识别是问题解决的基础。本文由条件方程,推导出观测值粗差对条件方程闭合差绝对值和的影响系数计算式,得到了最小影响系数大小与观测值是否为RFP-L_1的判别关系,并探讨了存在RFP-L_1的测量系统设计矩阵数值特点,提出了判断RFP-L_1观测值的方法。仿真试验表明,最小影响系数反映了观测值粗差对L_1范数估计目标函数的影响大小,非RFP-L_1和RFP-L_1的最小影响系数具有分别等于1和小于1的规律性,同时得出,若观测方程中系数矩阵只有±1和0,对应的观测量均不属于RFP-L_1。     

基于坡度RMSE与3维可视化的格网DEM粗差检测与剔除

粗差的存在会造成数字高程模型(DEM)空间上的严重扭曲,有时能导致DEM及其产品严重失真,因此有必要对DEM的粗差进行探测和修正。针对目前格网DEM粗差探测算法的局限性,提出基于坡度RMSE与3维可视化联合的格网DEM粗差探测与剔除方法。采用坡度法,获取所有可疑点,然后对可疑点在一定范围内建立3维可视化模型,进行交互式探测与剔除,并通过实验来验证该方法的有效性和可行性。     

基于不同学科解决粗差探测问题的方法研究

通过对已有粗差探测成果的研究,本文按照基于的学科不同将其大致分为4类:数理统计粗差探测方法,基于多元统计分析粗差探测方法,线性代数粗差探测方法,人工智能粗差探测方法。然后从这4个方面辐射出已有的关于粗差发现、定位、定值等相关方法的研究,并且针对国内学者对用人工智能方法实现粗差探测未进行成熟研究的现状,提出可行策略并进行实现从而为人工智能和测量数据处理2个学科的结合开拓新的研究方向。