状态方程求解中的拉格朗日插值公式应用

用对角矩阵及相似矩阵性质证明了；当状态转移矩阵ｅ￣（Ａｔ）中方阵Ａ的特征根相异时，拉格朗日插值公式与Ｌａｐｌａｃｅ变换法对ｅ￣（ｅｔ）表达具有一致性，并用极限方法对方阵Ａ含二重根时拉格朗日插值公式的应用进行了报导．     

主成分分析及地震活动参数的约简

选择从不同侧面反映地震活动时、空、强特征的地震频次N(MLge;3.0)、b值、eta;值、A(b)值、Mf值、Ac值、C值和D值8个参量进行主成分分析. 通过主成分分析方法可以得到反映地震活动时、空、强异常特征的综合指标W. 通常这8个参量之间具有一定的相关性,各参量在不同时段的变化各有所异,预报效果并不理想. 但是综合指标W在华北13次5.8级以上地震前出现明显的异常变化. 表明综合指标W可以较好地反映地震活动时、空、强异常特征. 本文还对主成分分析所得结论的有关问题进行了讨论.      

CCA与SVD分析方法比较研究

文中从理论分析、方法比较以及实例计算几方面,对目前气象资料处理分析中常用的CCA与SVD分析方法进行了比较,结果表明(1) 对同样的变量组X,Y分别用CCA和SVD方法进行相关分析,得到了完全不同的分析结果,CCA所得到的相关就是原始变量组之间的相关;SVD所得到的相关是组合变量L,M5"BZ〗间的相关而不是原始变量组X,Y之间的相关.理论分析和实例计算都表明,两种方法分析得到的最大相关有非常显著的差别,CCA明显比SVD要大得多,且CCA收敛快而SVD收敛慢.所以SVD不能有效地提取两组变量或两个变量场之间相关关系的主要特征,只有CCA才能最大限度地提取它们之间相关关系的主要特征.(2) CCA所得出的两变量组的变量是独立正交变量,所以通过分析CCA组合变量间的相关来表示原变量组间的相关关系是有意义的.而SVD所得到的两变量组的变量不具有独立性和正交性,信息提供重复,存在共线性,所以通过分析SVD组合变量来表示两变量组的相关关系没有CCA方法有意义.(3)CCA是在考虑了各个变量场自身变化的情况下来分解两个变量场间的关系;而SVD是在没有考虑各个变量场自身变化的情况下来分解两个变量场间的协方差关系.很显然,CCA比SVD更全面、更完整和更准确.(4)凡用SVD方法分析得到的结论,由于总可以重新应用CCA方法找到相关更好的不同结果,所以有值得进一步深讨的必要.     

地理信息系统的理论与应用发展

本文重点概述了地理信息系统 30多年来的应用和发展 ,简要地介绍了 GIS软件技术的进步和世纪之交深化地球信息机理、自组织、自相关理论和时空专题高维数据模型以及以 GIS为核心的综合集成技术体系的研究。同时讨论了新世纪信息时代与网络世界在“信息高速公路”、“数字地球”等高新技术迅猛发展进程中 ,对 GIS的深化应用研究 ,应纳入国家信息技术发展计划 ,使 GIS深层次、全方位地服务于国家可持续发展和全球变化的研究。     

特征向量映射分析在天气形势相似分析中的应用

本文提出了一种天气形势相似程度的估计分析方法。大量的实际计算分析证明，该方法可作为气象台站的常规业务预报方法投入业务使用。     

地震预报研究中的新指标与新方法

简要介绍了近期地震专业文献中发表过的, 特别是作者及其多位合作者近年来探讨出的可用于地震预报研究的一些新指标与新方法。新指标包括数理统计中的地震活动性新指标(森下指数I, 由震级一频度关系导出的参数C和b值谱等)及利用数字化地震记录得出的地震波动力学特性新指标(波形线性度、频谱特征量等).新方法有两类:非线性科学方法(分形、自相似与自组织结构、神经网络)和高维数据图形分析方法(脸谱分析、投影寻踪、时间几何分析).      

基于Gradient Boosting的车载LiDAR点云分类

车载LiDAR点云中包含地面、建筑物、行道树、路灯等丰富地物类别,自动对这些不同类别点云进行分类,对点云中目标的识别、提取及重建都具有重要意义。本文提出了一种基于Gradient Boosting的自动分类方法。该方法首先对车载激光点云进行数据预处理,然后计算点云的协方差矩阵、密度比、高程相关特征、局部平面特征、投影特征等,再计算点云特征直方图与垂直分布直方图,采用K-means方法对这两者分别进行聚类,并将其聚类类别值也作为特征,从而构建出20维的点云特征向量,应用Gradient Boosting分类方法进行自动分类。为了验证本文方法的有效性,从某城镇场景的车载激光点云数据中选取部分代表区域共144W点作为训练数据集,然后选取另一较大区域的点云共312W点作为测试数据集。使用训练好的分类器对测试数据集进行分类,分类结果总体准确率达到了93.38%,耗时631s,说明此分类方法具有较高的分类准确率,同时也具备较高的效率。     

基于自适应差分进化算法的高维模糊度搜索

针对高维整周模糊度解算问题,提出了一种新的搜索算法,采用自适应差分进化算法,利用其特有的全局、快速、并行搜索的特性对高维模糊度进行固定。根据所求解问题的特点,在原有自适应差分进化算法的基础上对部分参数进行重新设定,从而实现模糊度的快速搜索。并以LAMBDA算法的解算结果和运算速率为依据,验证本算法结果的正确性和解算的快速性。通过模拟和实测不同维数的数据进行验证,表明该算法对高维模糊度解算具有一定的应用参考价值,且具有较好的可靠性和鲁棒性。      

基于MS-DeepLabV3+的街景语义分割及城市多维特征识别

传统城市特征识别采用空间和统计方法提取分析指标,特征评价指标主观性较大。街景影像包含城市视觉信息,可以进行城市特征识别。以中国青岛市为例,构建面向街景的多尺度语义分割模型MS-DeepLabV3+。在编码区增加全特征提取通道聚合多尺度特征;在解码区增加多尺度特征提取通道,有效捕捉低层次特征;引入注意力机制模块和通道注意力,聚焦关键特征,提高街景语义分割的准确性,模型平均交并比、精确率和召回率分别提高了3.47%、2.37%和3.96%。在地块尺度上,从6个维度建立了城市多维特征向量,即环境维度、设施便利维度、经济富裕度、交通维度、城市安全维度和城市综合度,结合兴趣点数据和居住用地数据,以表征青岛市各城区的城市特征。使用Grad-CAM方法对语义分割模型进行可解释分析,采用特征归因SHAP方法挖掘了城市多维特征的内在驱动因素。结果发现,不同城区具有不同的特征向量,不同城区的特征向量具有在特定维度上的优势。研究结果有助于优化城市空间中多维度特征,为城市的规划建设提供参考。     

主成分分析技术在遥感蚀变信息提取中的应用研究综述

主成分分析是目前遥感蚀变异常信息提取常用方法之一,该方法具有对影像大气校正质量要求不高、实现简单、提取效果好、效果稳健等优点,广受地质工作者的青睐。根据输入影像的数量及类型、主成分分析的次数等,本文将主成分分析分为标准主成分分析、特征向量主成分分析、定向主成分分析、二次主成分分析、不同影像间的主成分分析等5种类型。其中,特征向量主成分分析又可细分为4个波段特征向量主成分分析和3个波段特征向量主成分分析。在上述分类的基础上,系统介绍了各种主成分分析及蚀变信息主分量的选择,尤其是对特征向量主成分分析的Crosta技术和定向主成分分析的软落叶技术进行了详细阐述。并以TM/ETM+、ASTER影像为例,对部分应用主成分分析提取蚀变异常信息的实例进行了分析,认为：在基岩裸露区,不同主成分分析都可以很好地提取铁化、泥化蚀变信息;在中、低植被覆盖区,采用标准主成分分析、Crosta技术、改进的Crosta技术、软落叶技术、“掩膜/抑制干扰信息+主成分分析”等方法可以有效地提取蚀变异常信息;高植被覆盖区多采用主成分分析生成的蚀变信息主分量进行彩色合成,再通过对彩色影像进行目视解译的方式判断蚀变的类型和范围。其中,“掩膜+Crosta技术”、“掩膜+软落叶技术”、二次主成分分析等方法在高植被覆盖区也可以取得较好的应用效果;对于干扰信息种类众多、岩性复杂的地区,可根据干扰信息、岩性种类划分成若干个小区,再根据每个小区实际情况采用不同的蚀变提取方法,最后将每个小区内提取的蚀变信息进行合并。