顾及观测噪声和数据分辨率的线性估计方法研究

基于最小均方误差准则的频域形式,探讨了观测噪声和数据分辨率对估计结果的综合影响,给出了频域内顾及观测噪声和数据分辨率的最优线性估计及其误差功率谱的一般公式。算例表明,当数据分辨率较高时,观测噪声对估计精度占有主要的影响;当数据分辨率较低时,估计误差主要表现为采样不足引起的混叠误差,观测精度的提高对估计结果的改善非常有限。研究成果可为重力场精化中技术方案的设计提供参考。     

结构总体最小二乘估计理论的拓展及其应用研究EI北大核心CSCD

具有随机系数矩阵的高斯-马尔可夫(GM)模型被称为变量误差(EIV)模型,在均方误差意义下,总体最小二乘(TLS)估计得到的EIV模型参数估值优于最小二乘(TLS)估计,这种状况已引起测绘领域的极大关注,并成为多年来的热点问题之一。     

基于小波分析的GPS双差观测数据消噪方法研究

通过双差方法难以消除的多路径误差、接收机观测噪声等非模型化误差会大大影响GPS动态定位的精度.基于小波分析的理论,对GPS双差观测数据序列的消噪问题进行研究,结果表明,利用小波去噪原理,可有效地从受到强噪声干扰的GPS观测数据序列中提取变形特征信息,增强基线解算的有效性,提高GPS定位精度,解决传统技术对GPS动态监测...     

有偏估计与LS估计的比较与选择

从假设检验的角度研究测量平差Gauss-Markov模型中有偏估计与LS估计的选择问题。首先在均方误差准则下对目前应用最广泛的2种有偏估计－－岭估计和主成分估计与LS估计进行了比较研究，得到了岭估计、主成分估计优于LS估计的条件；然后运用统计方法对这些条件的成立进行了假设检验；最后通过数值实验说明，在一定显著性水平下当原假设被接受时，说明没有理由不相信采用有偏估计来代替LS估计的合理性，可认为采用有偏估计将对LS估计做出比较有效的改进，当原假设被拒绝时，说明对采用有偏估计的优越性产生了怀疑，此时建议仍采用LS估计。     

模式识别中特征选择与聚类分析

针对模式识别中传统的特征选择方法具有的局限性，对聚类分析理论与方法进行应用性的研究、分析和扩展，并将研究成果初步应用于信息模式识别中特征参数的选择，获得了一些有益的结论。     

Joint Boost特征选择的SAR信息可视化技术研究

提出了一种基于Joint Boost特征选择的合成孔径雷达(synthetic aperture radar,SAR)信息可视化方法。实验选用了ESAR的德国某机场的极化干涉SAR数据,提取几乎所有极化干涉信息分量构成较为完备的特征信息集合,实验结果证明了该方法的有效性。     

抗差估计的Givens-Gentleman正交变换算法

将Ｇｉｖｅｎｓ－Ｇｅｎｔｌｅｍａｎ正交变换算法推广应用于抗差估计,推演出了适应于此算法的验后方差因子和参数协方差矩阵的表达式,讨论了抗差估计的等价权函数的分解与计算问题,分析了Ｇｉｖｅｎｓ－Ｇｅｎｔｌｅｍａｎ正交普换算法的数值稳定性。研究表明,新建立的基于Ｇｉｖｅｎｓ－Ｇｅｎｔｌｅｍａｎ变换的抗差估计方法能有效地消除异常数据的影响,数值稳定性得到提高,运算速度快,占用计算内存小。     

基于决策树的高光谱数据特征选择及其对分类结果的影响分析

本文利用OM IS高光谱数据,研究了决策树算法（Decision Tree,DT）特征选择的特点以及特征选择对决策树分类结果的影响。设计了三种特征选择方法：SEP,MDLM和RELIEF,将它们与DT特征选择的结果以及特征选择后的分类精度（考虑了三种分类器：最大似然法、后向传播神经网络、最邻近法）进行对比,并分析了这三种特征选择方法对决策树结构和分类精度的影响。结果显示,DT是一种比较好的特征选择方法;经过特征选择后再生成的决策树比直接生成的决策树,用到更少的特征（平均减少了43.36%）、有更多的节点（平均增加了18.61%）和更高的分类精度（平均提高了0.35%）,当样本数量少时,分类精度的提高幅度最大,而树的大小却基本没有增加。     

一种SVM-RFE高光谱数据特征选择算法

提出了一种基于一对一(one-verse-one,OVO)多类策略的支持向量机递归特征约减算法(supportvector machine recursive feature elimination,SVM-RFE)用于高光谱数据的特征选择。对比分析了该算法所选择波段与基于一对多(one-verse-all,OVA)策略的SVM-RFE算法、MSVM-RFE算法以及OneRI、nfoGain、ReliefF等3种基于特征排序的方法所选择波段在高光谱数据分类中的精度表现。结果显示,OVO SVM-RFE算法是一种可靠有效的高光谱数据特征选择算法,并且所选择波段在分类精度方面优于5种对比算法。     

特征筛选方法在高分辨率遥感影像建筑物提取中的应用

城市建筑物信息的自动提取是城市遥感的关键技术之一,由于阴影、下垫面等多因素干扰,建筑物信息提取精度往往不稳定。本文以Pleiades卫星影像为数据源,通过改进Relief F特征筛选方法,探讨建筑物信息提取精度提高的可行性。首先构建高分辨率遥感影像建筑物基础特征空间,然后利用改进型Relief F算法分析特征对象的权重并筛选出最优特征,最后用监督分类、无特征筛选分类和基于改进型Relief F特征筛选等3种方法分别提取研究区建筑物信息,并结合实地调查数据进行精度验证。结果表明,基于改进型Relief F特征筛选的分类方法提取精度能够达到91.34%,较其他两种方法提取精度分别提高了34.31%和5.62%,且运算速度快,自动识别效率高。     

成像光谱数据特征选择及小麦品种识别实验研究

针对河北栾城获得的MAIS成像光谱仪数据用于小麦品种识别进行了特征选择和分类研究。利用遗传算法以JM距离为准则并结合实验区小麦的生物物理特性，进行了最佳波段选择；利用Fuzzy—Anmap分类器及选出的最佳波段对成像光谱数据进行了分类，区分出了4种小麦品种，小麦的总体分类精度超过97％。     

Givens-Gentleman正交变换及其在卫星激光测距三级复弧估计技术中的应用

本文详细介绍了利用不求平方根的Ｇｉｖｅｎｓ－Ｇｅｎｔｌｅｍａｎ正交变换解线性无偏差最小方差估计问题的基本原理以及各种方法在卫星激光测距三级复弧估计技术中的具体应用,给出了计算估值协方差的一组新的公式。     

基于粒子群优化的模糊特征自适应选择方法

模糊特征的选择影响着模糊分类的结果。从大量模糊特征中选择出有效特征进行分类,存在着一定的难度。粒子群优化算法(PSO)是基于群体智能的新型进化计算技术,具有自适应、自组织等智能特性,具有强大的寻找最优解的能力。将离散二进制PSO用于模糊特征选择,实现了基于PSO的模糊特征自适应选择方法,并通过航空和卫星遥感影像的模糊分类实验,验证了此方法的有效性。     

基于相似性保持和特征变换的高维数据聚类改进算法

提出一种基于相似性保持和特征变换的高维数据聚类改进算法.首先,通过相似性度量函数计算得到高维空间对象相似度矩阵,并利用近邻法、Floyd最短路径算法将相似度矩阵转换为最短路径距离矩阵;然后,将高维特征变换转化为遗传优化问题,利用特征变换降维后的二维数据进行k-均值聚类,并根据(高维坐标,降维后二维坐标)值进行RBF神经...