GPS双频非差周跳探测修复SET法

分析了TurboEdit方法中MW组合和GF组合的缺陷,提出了GPS双频非差周跳探测修复SET（satellite elevation TurboEdit）法。设计了自适应滑动窗口模型对MW组合进行改进,避免了在低高度角时引入多径误差和噪声误差对后续处理精度的影响,增强了对小周跳的探测与修复能力。对GF（geometry-free）组合中引入的伪距误差采用历元间求差法进行替换,同时在卫星低高度角时,对其探测阈值引入高度角加权系数,有效剔除虚假周跳,提高周跳探测成功率与可靠性。在探测出周跳后,联合两种方法组合进行周跳修复。实验结果表明,SET法能够有效地抑制低高度角时的多径效应和观测噪声,降低周跳误探率,并对周跳进行有效修复。     

利用结构自适应极端学习机预报导航卫星钟差

针对卫星钟差难以用精确模型来进行预报的问题,将极端学习机（extreme learning machine,ELM）神经网络用于导航卫星钟差预报。针对ELM网络隐层结构难以确定的问题,提出了基于自适应共振理论（adaptive resonance theory,ART）网络思想的ELM网络结构设计算法。该算法将ART网络的聚类特性用于ELM网络结构设计中,通过对输入向量与已存模式的相似度比较将输入向量进行分类,自适应地确定隐层节点规模。使用GPS卫星钟差数据进行30 d的预报实验,结果表明,此方法的钟差预报精度明显优于二次多项式模型和灰色系统模型。     

强跟踪自适应SRCKF的卫星姿态确定算法

针对卫星星敏感器/陀螺姿态确定系统在空间中存在模型不确定性、状态突变和不良测量问题,该文提出了基于强跟踪自适应平方根容积卡尔曼滤波器(STSRCKF)的卫星姿态确定算法。在平方根容积卡尔曼滤波的基础上,通过引入渐消因子,解决了由于模型不确定和状态突变引起的精度下降、稳定性差和收敛慢的问题;通过增加异常检测和引入自适应因子,获得了应对不良测量的良好跟踪能力。通过仿真实验对算法进行了验证。     

LiDAR点云数据分割的自适应回波比率算法研究

回波比率描述了地物表面的激光点云在垂直方向分布的离散程度和穿透力,可用于分割建筑物和植被脚点。针对传统的回波比率计算方法受实体表面坡度的影响较大,通常随着地物表面倾角的增大,其计算值呈下降趋势,该文在B.Hfle自适应坡度回波比率算法基础上,通过对邻域体系分析发现3D与2D邻域的垂直方向参数尺度不一致才是造成倾斜表面回波比率减小的真实原因。采用不同的空间邻域进行回波比率计算,并在此基础上提出了改进的自适应坡度回波比率计算方法。较B.Hfle算法,改进后的方法无须计算局部表面坡度,仅调整3D邻域的垂直方向参数尺度就可适用于不同坡度倾斜屋顶表面。通过实测LiDAR点云进行试验验证,新算法的正确率和效率较原有算法都有较大的提高。     

全球平均海平面变化LMD-àTrous多尺度分析及预测

针对非线性非平稳的全球平均海平面时间序列分析及预测的问题,对局部均值分解LMD方法和àTrous算法进行了研究,提出了一种时间序列多尺度分析LMD-àTrous方法.利用LMD-àTrous方法处理全球平均海平面的时间序列,并结合自回归AR方法对未来全球平均海平面的变化进行预测.用平均绝对误差和平均绝对百分比误差评价AR、LMD+AR、àTrous+AR和LMD-àTrous+AR预测方法的结果,并用小波方差图描述利用传统AR方法和结合LMD-àTrous方法预测的时间序列的周期特性.实验结果表明,LMD-àTrous方法能够挖掘出数据的物理机制和物理规律,并分解成不同尺度上的特征信息,将含有噪声的项进行自适应小波阈值去噪处理并重构时间序列,能够有效地发掘数据规律并达到其预测的效果,相比于传统的时间序列预测方法具有优越性.     

基于改进滑动窗口算法的手机定位数据用户驻留区域识别

针对手机定位数据分析过程中存在的噪声数据处理不佳、用户路径信息丢失、参数适宜性差等问题,提出基于改进滑动窗口的手机定位数据用户驻留区域识别方法.首先讨论了驻留区域识别过程中噪声信息处理与参数自适应等难点;其次通过样本拟合方法,提出出行范围相关的距离阈值计算方法,对经典滑动窗口算法进行改进,生成位置点聚簇结果;最后对通过空间约束规则对乒乓效应进行识别和优化,并对时空相邻聚簇进行归并.实验结果表明,该方法可提高异常漂移点识别的准确率和召回率,并有效处理乒乓效应,可明显提升用户时空行为刻画效果.     

结合高光谱像素级信息和CNN的玉米种子品种识别模型

玉米作为中国重要粮食作物,品种众多,易出现错分现象,影响农业安全和粮食生产。针对传统基于卷积神经网络CNN（Convolutional Neural Network）的高光谱图像作物品种识别模型所需建模样本数量巨大的问题,提出基于高光谱像素级信息和CNN的玉米种子品种识别模型。首先,获取不同品种玉米种子在400—1000 nm范围内的高光谱图像,提取样本全部像素的203维光谱信息,利用主成分分析PCA（Principal Component Analysis）算法将光谱维度降至8维。在实验中,样本的像素级光谱信息（即：样本的全部像素的光谱信息）除应用于CNN模型外,也应用于支持向量机（SVM）和K近邻分类（KNN）模型中,结果表明：在相同模型中,基于像素级光谱信息比基于米粒级光谱信息（即：每粒样本所有像素光谱信息的平均值）识别效果好;在相同情况下,CNN模型比SVM和KNN模型的识别效果好;基于像素级光谱信息和CNN的品种识别模型识别效果最稳定,依据像素级分类结果采用多数投票策略对玉米种子样本进行识别,样本识别精度高达100%（注：100%为建模集样本与测试集样本数量为0.27和0.32时的识别精度,随着测试集样本数量的增加,该识别精度将有所降低）。最后,使用t分布随机邻域嵌入（t-SNE）算法实现CNN输出特征值的可视化,验证了基于高光谱像素级信息和CNN的品种识别模型的有效性。在建模样本极少的情况下,实现了玉米种子品种的无损、高效识别,为精准农业提供了理论基础。     

一种针对精化样本的非监督SAR变化检测方法

针对非监督框架下的深度学习SAR变化检测方法在样本选取时出现样本非平衡及冗余问题,改进了一种针对精化样本的非监督SAR影像变化检测方法:利用分层FCM针对不同差异图进行分割确定初始类别;提出利用邻域清理规则进行潜在错误样本剔除并利用异质类空间距离完成对样本的筛选;构造卷积神经网络完成对待确定类别像素的分类,得到最终变化结果.采用三组实验数据进行实验,结果表明该文方法可行有效,且能在较好应对样本问题的同时具有较高的变化检测精度.     

多分辨率低秩导向滤波的热红外图像空间融合

热红外遥感图像由于其特定的成像方式,包含目标特有的发射率及温度等特征。然而,热红外遥感图像较低的空间分辨率却限制了其广泛应用。随着遥感技术的发展,同一区域获得的多源遥感图像可以提供更为完备的目标信息,使得利用多源融合技术实现热红外图像空间分辨率增强与亚像素级特征提取成为可能。为此,本文提出了一种基于多分辨率自适应低秩表达与残差信息迁移的热红外图像空间超分辨算法,该算法通过可见光与热红外图像融合的方式实现热红外图像空间特性的自适应融合增强。本文算法优势主要体现在以下几个方面：（1）基于多分辨率的超像素分割,使用超像素块代替传统的方块作为低秩恢复单元,自适应地调整单元内空间特性以保持单元内地物类型的稳定并抑制结构性噪声;（2）通过构建导向线性滤波器,在保护热红外图像光谱信息的前提下,实现可见光图像精细空间特征向热红外图像的迁移;（3）在低分辨层建立增强热红外图像残差与可见光图像残差之间关联并迁移至高分辨层,在保证超分辨图像细节信息的前提下,实现热红外图像空间超分辨。为了验证算法的有效性,本文采用2014年IGARSS数据融合竞赛提供的可见光与热红外实验数据进行实验,并与融合竞赛中表现最为优异的监督图特征融合方法进行比较,并从温度反演精度以及分类精度两个方面评价超分辨效果。实验结果表明,本文提出的方法其噪声抑制效果、空间平滑效果、边缘锐化效果更为优异,超分辨热红外图像有着更为精细的空间信息,并且对于不同区域类型均能较好的保护热红外图像光谱信息。对于不同地物类型,融合超分辨图像有较高的亚像素温度反演精度以及更高的分类精度,其温度反演误差小于1 K,总体分类精度较原热红外图像提升20%以上。     

自适应运动结构特征的车载全景序列影像匹配方法

以运动结构特征为约束条件的序列影像匹配,是基于多变量核密度函数,采用非参数均值漂移方法估计最优局部运动相似性结构特征的过程。核密度函数的带宽大小决定了匹配方法的收敛速度和精度。本文提出了一种可变带宽的自适应运动结构特征的车载全景序列影像匹配方法。首先以采样点在空间域和光流域的局部空间结构定义自适应的带宽矩阵。采用局部光流特征向量的距离加权法,描述光流域上运动相似性结构特征的松弛扩散过程。然后给出自适应多变量核密度函数的表达形式,并探讨了均值漂移向量的求解、终止条件以及种子点的选择方法。最后融合多尺度SIFT描述特征与运动结构特征,建立统一的全景影像匹配框架。试验选择车载移动测量系统获取的城市球全景序列影像,结果表明在内点率变化、物方尺度变化等情况下,本文方法可以实现自适应运动结构特征的相似性度量,提高匹配的正确点数和匹配率,算法表现出较强的稳键性。