一种导航卫星中长期轨道预报方法

基于神经网络混合建模的思想提出一种针对导航卫星的中长期轨道预报方法,在原动力学模型的基础上引入神经网络模型作为补偿,从而获得新的预报模型。在训练过程中神经网络通过学习动力学模型轨道预报误差来掌握其变化规律,并在预报过程中为动力学模型预报提供补偿,以提高预报精度。对GPS卫星动力学模型中长期预报误差的特点进行分析,然后根据所得结论提出混合模型的中长期(15 d以上)预报方案,最后通过对GPS卫星的仿真试验证明混合模型的改进效果,结果表明新方法在15~40 d的预报上表现出很好的改进效果。     

年度土地变更调查新机制之探索

介绍了武汉市土地变更调查的历史沿革情况,通过对新旧机制的对比以及分析新机制存在的问题,从而对变更调查新机制进行了探索研究。     

基于单邻点多波段预测的高光谱图像无损压缩算法

提出了一种基于聚类-单邻点、多波段预测-熵编码的高光谱数据无损压缩方法。根据谱向特征,进行高光谱图像矢量聚类。对各个分类,采用单个空间位置邻点、多个波段作为预测数据,训练预测系数,进行三维预测。残差采用Golomb-Rice编码。实验证实了算法的有效性。     

Remotely sensed estimation of forest canopy density: A comparison of the performance of four methods

In recent years, a number of alternative methods have been proposed to predict forest canopy density from remotely sensed data. To date, however, it remains difficult to decide which method to use, since their relative performance has never been evaluated. In this study the performance of: (1) an artificial neural network, (2) a multiple linear regression, (3) the forest canopy density mapper and (4) a maximum likelihood classification method was compared for prediction of forest canopy density using a Landsat ETM+ image. Comparison of confusion matrices revealed that the regression model performed significantly worse than the three other methods. These results were based on a z-test for comparison of weighted kappa statistics, which is an appropriate statistic for analysis of ranked categories. About 89% of the variance of the observed canopy density was explained by the artificial neural networks, which outperformed the other three methods in this respect. Moreover, the artificial neural networks gave an unbiased prediction, while other methods systematically under or over predicted forest canopy density. The choice of biased method could have a high impact on canopy density inventories.     

粗差数学期望平移模型的理论研究

现有文献对数学期望平移模型的理论分析仅考虑了观测值统计独立的特殊情况。基于观测值统计相关的一般情况,导出了数学期望平移参数估值(▽S_i)的简明表达式。在此基础上,采用统计预测理论对▽S_i进行了直观的理论解释,扩展了统计学文献中的有关结论。借助于实例,分析了▽S_i与最小二乘残差的本质区别。     

国家气象中心数值预报业务的进展

在最近的１５年中，国家气象中心的数值预报业务高速度发展，预报模式从北半球模式发展为全球谱模式，并配套建立了资料同化系统和用于降水预报的有限区预报模式，暴雨和台风预报模式正在研制中。目前数值预报时效已延至７天，Ｔ６３９３丙上时的预报水平已优于的数值预报产品的应用技术在不断改进，最高（低）气温下两天ＭＯＳ预报精度已接近预报员制作的综合预报结果。     

基于NGM(1,1,k,c)模型和改进切线角的危岩变形预测

针对危岩变形预测问题,本文以非齐次指数序列的灰色模型(NGM)作为危岩变形预测的基本模型,通过对望霞危岩变形的分析结果显示,NGM(1,1,k,c)模型拟合效果明显优于GM(1,1)模型,说明危岩变形趋势更接近于非齐次指数序列。利用NGM(1,1,k,c)模型结合改进切线角可对危岩变形趋势进行分析预测,可作为危岩稳定性和发展趋势的评估依据。     

回归-Elman网络在矿坝变形预测中的应用

金矿开展矿坝的变形监测工作,引入多层递阶回归分析模型,有较高的预测精度,但方法较繁琐,计算较复杂。由于变形数据可分离成趋势项与随机项,趋势项可用多元线性回归良好地拟合;随机项的预测,文中采用Elman网络建模计算,最后利用矿坝的实测高程位移数据进行验证,并与多层递阶回归进行比较。结果表明:回归-Elman网络模型比多层递阶回归的预测精度更高,效果更好,且方法简洁实用性强。     

基于遥感影像的青海省环境变化监测

本文通过对遥感影像的分析,针对土地利用及植被变化情况,利用优化的K-means算法对青海省环境变化进行检测,以此对土地的利用进行合理的规划,以期实现可持续发展。同时将试验结果与外业实际结果及当地政策规划进行比对,结果显示文中算法对土地的变化和未来走势预测准确率超过75%,从而验证了监测方法的可行性。这不仅保证了在经济发展的同时能够合理地使用土地资源,而且能对环境进行有效的保护。     

基于机器学习的多施工参数盾构施工姿态预测

针对盾构施工过程中参数易变、轴线难以预测控制的问题,本文提出了基于机器学习的多施工参数盾构施工姿态预测方法,分析了在复杂环境下影响盾构姿态掘进施工的参数,以及掘进参数和盾构姿态内在的关联关系,建立了盾构姿态预测模型,实现了盾首盾尾中心坐标与设计轴线的偏差计算;最后结合某地铁施工段,验证了该预测模型的可行性.