引力向量及梯度张量在坐标系之间的变换

引力向量和引力梯度张量在局部和全局坐标系间的转换过程是对卫星重力梯度测量进行模拟研究的主要手段和重要步骤.提出了利用计算机符号运算辅助推导该转换过程的新思想.首先通过对该过程进行分析,指出其运算繁琐复杂;然后通过对理论推导过程的分解,确定了引力向量和引力梯度张量在局部和全局坐标系之间转换的各关键步骤;并借助于计算机符号运算实现了这一转换过程的计算机推演,成功地得到了完整的符号公式结果.所编写的符号推演程序在多台计算机的多种平台上获得了一致的结果.实验结果表明,计算机符号运算对于公式体系繁杂的卫星重力学理论研究来说具有极大的增效作用.     

基于支撑向量机概率输出的高光谱影像混合像元分解

提出利用支撑向量机（SVM）后验概率来分解高光谱影像的混合像元，通过支撑向量机的输出值转化为两两配对的后验概率，再由两两配对的概率值求得多类后验概率，并以像元所属类别的后验概率作为地物的组分信息。实验结果表明，该方法能较好地估计出混合像元的组分比。     

一种根据曲率变化检校畸变差的方法

提出了基于曲率变化的畸变差检校方法。首先对影像上提取的直线进行二分，根据重新匹配出的直线可确定实际物方直线在影像上的投影因镜头畸变而产生弯曲的程度，以此可对镜头的畸变进行检校。但对于镜头畸变较大的情况二分直线无法检测出实际曲线的弯曲程度，因此，需要对所有共线的直线进行分组，由每组直线来确定实际曲线的弯曲程度，检校镜头畸变，从而消除其对影像的影响。实验证明，通过这种方法对镜头畸变进行检校，能够得到较好的结果。     

基于二维矢量数字地图的水印算法研究

通过分析MQUAD算法的一些缺陷，提出通过点坐标漂移重置在二维矢量地图中嵌入水印的方法，并通过DXF格式地图予以实现。     

使用SVM进行短期气候预测的应用试验

从气象角度介绍了利用SVM方法的预报原理,对西安短期气候预测做了实验,并分析预报结果,得出SVM方法在天气预报领域有一定的使用空间的结论。     

全球资料同化中误差协方差三维结构的准确估计与应用Ⅱ:背景误差协方差调整与数值试验分析

利用NMC方法针对背景误差协方差的方差、三维相关与特征长度来揭示T213L31模式的误差主要特点,并与传统更新矢量方法的计算结果进行了对比与调整。结果表明NMC方法结果与更新矢量方法结果在大体特征上基本吻合,但细节上的差异不可忽视,特别是对背景误差方差与特征长度的估计存在显著的差异,其主要原因是NMC方法倾向于高估天气尺度波的背景误差,而低估次天气尺度到中尺度波的背景误差。通过对背景误差方差、特征长度的调整,显著改善了背景误差功率谱的分布特点,使得NMC方法结果与更新矢量方法结果更为吻合。通过三维变分同化与最优插值中观测与背景误差相对重要性的比较,发现两者结果基本一致,但三维变分同化在850 hPa以下的温度场和300 hPa以上的风场统计结果都表现出背景误差相对于观测误差偏小的特点。背景误差相对于观测误差偏小有助于保证分析场中质量场与风场平衡,消除了大气底层和高层质量场与风场不匹配现象。在数值试验中,针对不同的背景误差均方差与特征长度的特点,分析了分析增量和预报效果的差异,结果表明,准确的背景误差估计与优化工作改善了预报效果,使得北半球三维变分同化的120 h预报效果整体好于现有最优插值。     

地-井TEM向量交会技术的实现和应用效果

这里介绍的地-井TEM向量交会法是一种地-井TEM资料半定量解释方法,通过采用异常分离技术从实测资料中提取出纯异常场,运用地-井TEM的纯异常响应进行向量交会,从而达到快速、有效地确定井旁盲矿体的深度、方位及矿体距钻孔距离。     

加权支持向量回归机及其在水质预测中的应用

支持向量机是一种基于结构风险最小化原理的学习技术，也是一种新的具有很好泛化性能的回归方法。本文对用于回归估计的标准支持向量机加以改进，提出了一种新的用于回归估计的支持向量机学习算法，针对各样本重要性的差异，给各个样本的惩罚系数和误差要求赋予不同权重，并利用加权支持向量回归机的理论及其算法构建水质预测模型。实验结果表明，该方法对水质具有较好的预测效果。     

基于改进SOFM的矢量量化图像压缩

在介绍矢量量化和自组织特征映射神经网络的基础上，针对基于自组织特征映射神经网络的矢量量化算法，在初始码书生成、获胜神经元搜索策略以及调整获胜码字及其拓扑领域权值等方面进行改进。实验结果表明改进算法具有合理性和有效性。     

土地覆盖制图：基于最优化遥感数据的支撑向量机分类

遥感数据具有在不同空间、光谱和时间尺度上获取地表测量信息的能力,使其成为获取土地覆盖信息的一个主要数据源。影像分类即把卫星影像上的相关像元划分给某类已知的土地覆盖类型的过程。支撑向量机（SVMs）是一种土地覆盖分类的新技术。三种常用的SVMs是：基于线性和多项式的SVM以及具有高斯核函数的SVM分类器,分类能否成功地应用有赖于其各自选择的最佳参数。但是海量的遥感数据使得这些参数的确定速度十分缓慢。本文研究了一种新的基于最优化遥感数据压缩技术的SVM分类方法。研究显示用于获取SVM参数的数据量能够在不影响土地覆盖的分类精度的前提下进行压缩。数据压缩成功的应用于多项式和高斯核函数的SVM分类,而线性SVM的分类精度却非常低。