最优权组合预测法在采煤沉陷变形预测中的应用

煤矿地表沉降变形预测多基于煤矿开采沉陷预计理论展开,基于变形分析理论的变形预测模型目前多集中在单模型预测。本文基于组合预测思想,以非等间隔灰色预测模型与BP神经网络模型为预测单模型,以陕西北部某煤矿采煤工作面上方实测地表沉降值为数据源,以最优加权法对单模型预测结果开展了最优权组合,组合模型中两种单模型的权重分别为0.466 7、0.533 3。选取部分监测点的预测结果进行模型精度评价,结果表明：3种预测模型精度均达到了一级。经对比3种模型预测结果,最优权组合预测的模型精度较单模型明显提升,预测结果较非等间隔灰色预测模型与BP神经网络预测模型有明显增益。     

加权总体最小二乘的效率优化算法

加权总体最小二乘法是理论上估计EIV模型参数相对严密的方法,其迭代过程中涉及的矩阵运算较为耗时,在处理大量级数据时尤其明显。PEIV模型有助于提高加权总体最小二乘法的计算效率。本文基于PEIV模型和经典最小二乘准则给出了一种加权总体最小二乘法算法,算法的推导过程简洁,易于理解,迭代过程中无需重构矩阵,减少了矩阵运算量。最后通过仿真试验验证了算法的可靠性。试验结果表明,本文算法可以取得与现有算法相同的参数估计精度且计算效率更高。     

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。     

BDS卫星钟差半参数平差模型异常数据探测与处理

针对北斗卫星钟差数据中出现钟跳、粗差等异常数据频次较高的问题,将半参数平差模型引入BDS的钟差数据的处理过程中。首先,在考虑系统误差的同时,改进了常用的钟差模型;其次,综合考虑异常数据和系统误差,利用补偿最小二乘原理和极值求解方法,详细推导了分离异常数据前后参数和非参数估计值与相应观测值改正数的关系表达式,实现了异常数据的定值、参数求解和系统误差分离。在此基础上,引入Cook距离,给出了利用参数分量和非参数分量的Cook距离及混合Cook距离,去判断异常值的位置,并给出了一些参数的选取方法及相应的处理措施,实现了卫星钟差异常数据的定位和定值以及部分系统误差的分离。最后,采用武汉大学GNSS中心提供的采样间隔为5 min的北斗卫星精密钟差数据,将本文方法与常用方法进行了试验对比。试验结果表明,本文方法能够有效地识别并处理卫星钟差数据中的异常值,有效克服了基于经验阈值钟差异常数据探测方法的不足,且该方法对于量级较小的异常钟差数据也有很好的探测效果,一定程度丰富了现有的BDS钟差数据质量控制方法。     

城市扩展元胞自动机多结构卷积神经网络模型

传统的城市扩展元胞自动机(CA)模型是基于单个元胞的变量信息挖掘来构建转换规则的。针对这一问题,本文基于多结构卷积神经网络提出从区域特征出发且顾及区域多尺度特征挖掘转换规则的城市扩展元胞自动机模型(MSCNN-CA),并以武汉主城区和上海浦东新区为例,模拟了两个试验区2005—2015年期间城市扩展过程。模型验证表明:与逻辑回归和神经网络相比,本文构建的3个单一结构的卷积神经网络元胞自动机(CNN-CA)模型在4个指标(Kappa系数、FoM(figure of merit)值、命中率(h)和错误率(m))上都有不同程度的提高。特别是FoM指数,在武汉主城区提高了23.3%~29.4%,在上海浦东新区提高了20.3%~28.5%。此外,MSCNN-CA模型与3个单一结构的CNN-CA模型相比,在各个指标上也有所改善,FoM指数在武汉主城区提高了0.8%~4.8%,上海浦东新区提高了2.8%~7.8%。两个试验区的模拟结果表明:相比传统CA模型,基于多结构卷积神经网络的城市扩展元胞自动机模型(MSCNN-CA)能够有效提高城市扩展模拟的精度,更真实地反映城市扩展空间演变过程。相比单结构的卷积神经网络CA模型,多结构卷积神经网络CA模型的稳定性和模拟结果准确性有所提升。     

曲波特征加权的高分辨率遥感图像统计分割方法研究

高分辨率遥感图像精确分割是遥感图像处理的研究热点和难点。高分辨率遥感图像中同质区域间的差异性不仅表现在光谱特征上,同样存在于边缘、纹理等结构特征上。为了更好分割高分辨率遥感图像,需在分割算法中考虑结构特征。因此,如何提取更多有助于精准分割的结构特征,并探究这些特征在分割过程中的作用规律成为设计高分辨率遥感图像分割算法的关键问题。为此,论文提出在曲波变换理论基础上构建不同结构特征提取模型,并以加权的方式将提取的结构特征纳入贝叶斯和能量分割模型中。     

基于MEA-BP神经网络的卫星钟差预报

卫星钟差是影响导航定位精度的重要因素之一,建立高精度的钟差预报模型对高精度定位有重要意义。针对常用模型卫星钟差在短期预报中随时间增加误差积累,以及传统BP神经网络不稳定,容易出现过拟合等问题,本文提出一种基于思维进化算法(MEA)优化的BP神经网络钟差预报模型和算法。首先对原始钟差数据进行一次差处理;然后利用思维进化算法对BP神经网络的初始权值和阈值进行优化,给出该模型进行钟差预报的具体步骤;选用IGS站提供的多天GPS精密钟差产品数据进行试验分析,使用GPS一天中前12 h数据建模,进行2、3、6和12 h的钟差预报。结果表明:利用MEA-BP模型得到的上述4种时段的预报精度分别优于0.36、0.38、0.62和1.56 ns,预报误差曲线变化起伏较小,说明新模型的预报性能优于3种传统模型,新模型在钟差预报短期预报中的实用性及稳定性是较佳的。     

复杂地形景区三维导览图的设计与实现

为满足复杂地形景区对三维地图导览的需求,构建更为清晰的三维地图模型,提供良好的三维导览地图设计方案显得尤为重要。为了更好地与卫星影像进行贴合,DEM数据的采样密度要与卫星影像的分辨率一致。本文通过对比当下常用的四种空间插值方法的适用范围与运用特点,设置相关阈值及权重,直观比较了四种插值方法产生的插值结果,选择更适合复杂景区DEM插值的插值方法并对其进行精度提升,以此得到符合精度要求的DEM数据。最后利用相应地区的卫星影像进行地图投影及影像贴图,两种数据结合构建复杂景区的三维地图模型,给游客带来更为精确直观的定位信息和空间要素信息。     

基于高分遥感影像的建筑物侧面信息提取及其高度计算

本文选取成都市某一区域建筑物A、B为研究对象,采用分辨率为0.61 m的Quick bird影像,运用图像分割法和LVQ神经网络算法,提取建筑物侧面信息,根据假设法原理,构建高度计算物理模型,求取建筑物高度。对比实测数据,结合可能影响实验结果的实地因素、遥感影像因素进行精度分析与评价,探讨基于高分遥感影像的建筑物侧面信息提取和高度计算的方法。结果表明,LVQ神经网络算法在建筑物侧面提取和高度计算中有更好的应用价值,精度高达94%。     

基于像元二分模型的地表植被覆盖度估算模块化设计与实现

地表植被覆盖度是的一种应用广泛的定量遥感产品,在水文、生态、区域变化等方面都具有重要的意义。像元二分模型是应用最多的一种遥感估算地表覆盖度的方法。目前,用遥感的方法进行地表植被覆盖度估算没有完整、系统的工具,用户只能逐步进行操作,效率低下,鉴于上述情况,本文运用IDL交互式数据语言,基于ENVI二次开发了一个植被覆盖度估算程序,取得了一定的成效,对遥感定量产品的生产、应用具有一定意义。