用基于Givens变换的QR分解计算类GPS广播星历参数

分析研究类GPS广播星历参数拟合算法的必要性,来介绍可用于解最小二乘问题的Givens变换,讨论使用Givens变换计算MEO和小倾角GEO卫星的类GPS广播星历参数的适用性,并用模拟数据进行验证。     

视觉测量中相机外参数近似值的快速求解

提出了利用3个不共线的控制点对相机外参数近似值进行快速求解的一种方法.利用3个控制点与其像坐标间的几何关系求得3个控制点在摄站坐标系下的坐标;由控制点的已知控制坐标与求得的摄站坐标系下的坐标,进一步求得两坐标系的转换参数的初值;通过解析法或光束法对相机外参数用初值进行精确标定.并通过一组模拟数据验证了该方法的正确性.     

基于图模犁和拓扑约束的管网数据一致性检测

正确可靠的数据是GIS系统的核心。针对管网数据的复杂性，提出利用圈数据模型描述管网拓扑关系．并使用拓扑约束方法对管网数据一致性进行检测，以确保数据的正确性。该方法吸收了基于连接规则以及基于拓扑关系约束的方法的优点，能够更好的描述管网系统的整体结构并对其进行拓扑约束，使得一致性检测更加全面。     

附加系统参数平差法在导线网中的应用

本文探讨了附加系统参数平差法在带有测距系统误差的导线网中的应用，说明了当系统误差比较显著时．采用附加系统参数平差法的可行性、必要性及其优越性。     

数据备份服务器备份性能分析

针对数据备份服务器备份性能优化问题，分别对实时数据存储与历史数据备份之间的关系、数据备份服务器所备份的数据类型非唯一性、客户数量对备份服务器备份效率的影响三方面进行初步的测试与分析，提出了通过优化数据块的选取、优化数据采集方式、优化备份策略提高备份服务器备份效率的基本方法。     

基于广义Hough变换的不规则形状目标提取方法

提出了一种基于广义Hough变换的不规则形状目标的提取方法。该方法主要包括目标参数描述和目标提取两部分。实验表明，该方法精度好、效率高。     

一种加快BDS精密单点定位初始化的方法

由于BDS卫星的星座特性及卫星的轨道和钟差的精度影响,使得传统消电离层组合精密单点定位(PPP)的初始化时间较长。针对上述问题,文中对附加电离层约束的非组合精密单点定位算法进行研究。首先介绍非组合PPP算法,分析其与传统PPP的差异;其次分别利用CODE电离层格网产品,以反距离加权算法计算的站星电离层延迟、低阶球谐函数建立的区域电离层产品等作为先验信息对非组合PPP进行约束。通过MGEX观测网实测数据静态和仿动态计算表明,相比传统消电离层组合PPP,附加电离层约束的非组合PPP能够有效缩短初始化时间,同时能够获得高精度的定位结果。     

人工神经网络模型反演植被生物量参数

该文利用 1988年小麦生长期中生物量参数和微波 (10 2GHz)主被动遥感实测数据 ,作为输入输出I/O矢量对 ,训练人工神经网络为参数反演模型。然后用 1989年小麦生长期中微波主被动遥感实测数据和该神经网络模型 ,来反演其生物量参数在整个 1989年生长期中的变化。反演结果与遥感实测结果作了很好的比较     

加权混合估计中权值的确定方法

综合了大地测量中各种异方差多源观测模型和联合平差方法,说明了混合估计方法可以用于测量数据融合,平衡附加信息和样本信息对参数估计的影响。通过求取权值使参数估计的协方差阵的迹最小的方法,给出了一个权的最优选择方法。本文扩展了已有的加权混合估计方法,使得新方法中的权不受验前单位权方差的限制,能有效应用于大地测量数据处理。     

An evaluation of Guided Regularized Random Forest for classification and regression tasks in remote sensing

New Earth observation missions and technologies are delivering large amounts of data. Processing this data requires developing and evaluating novel dimensionality reduction approaches to identify the most informative features for classification and regression tasks. Here we present an exhaustive evaluation of Guided Regularized Random Forest (GRRF), a feature selection method based on Random Forest. GRRF does not require fixing a priori the number of features to be selected or setting a threshold of the feature importance. Moreover, the use of regularization ensures that features selected by GRRF are non-redundant and representative. Our experiments based on various kinds of remote sensing images, show that GRRF selected features provides similar results to those obtained when using all the available features. However, the comparison between GRRF and standard random forest features shows substantial differences: in classification, the mean overall accuracy increases by almost 6% and, in regression, the decrease in RMSE almost reaches 2%. These results demonstrate the potential of GRRF for remote sensing image classification and regression. Especially in the context of increasingly large geodatabases that challenge the application of traditional methods.