Recent advances in accessibility research: Representation,methodology and applications

 In this article we examine recent advances in accessibility research and their implications for future studies. We base our discussion on three intersecting dimensions that are useful for evaluating the contribution of recent studies: representation, methodology and applications. Various examples are selected to show that research concerned with representation and methodological problem solving is often applied to issues of broad concern in policy and planning. It is, however, not clear that the simultaneous treatment of representation, methodological and application issues has ever been fully worked out. The questions raised in this article may serve as a foundation for addressing issues pertinent to accurate representation, improved model building, and more rigorous applications in accessibility research. Received: 9 December 2002 / Accepted: 10 February 2003     

基于压缩感知的地基红外云图云状识别

为了对地基全天空红外测云仪获得的云图进行分类,该文从压缩感知理论出发,提出了一种利用云图灰度稀疏性进行云状识别的新方法。首先运用典型云图样本构造冗余字典,然后通过梯度投影 (GPSR) 算法和正交匹配 (OMP) 算法求取测试样本在冗余字典中的l1范式最优解,最后利用残差法和稀疏比例法对云状进行判别并输出。采用压缩感知理论进行云状识别,降低了对特征提取技术的要求,为云状的自动识别提供了新思路,对典型波状云、层状云、积状云、卷云和晴空的总体识别率分别达到75%,91%,70%,85%和93%,平均识别率为82.8%。     

多尺度TIN管理及表达算法探讨

为实现大规模地形的多分辨率显示与实时绘制,基于LOD技术给出了多尺度TIN的管理和表达算法。探讨该算法相关的数据组织、LOD层次表达、实时刷新等关键问题。该算法使用分级策略,在不影响视觉效果前提下对TIN进行分级表达;使用分区策略,在可视化过程中对TIN进行局部更新。采取不同分辨率TIN模型间逐步过渡策略,基本上消除了视图变换时的跳跃感。实验结果表明,这种紧凑有效的TIN表示方法实现简单,内存开销较少,CPU耗费小,大大缩短了视图刷新切换时间,能够在普通机器上实现大规模地形的实时漫游。     

基于自适应多分辨率奇异值分解的大地电磁数据处理

针对强电磁干扰极易掩盖微弱的大地电磁有用信号,本文结合奇异值分解在去噪方面的优越性,提出基于自适应多分辨率奇异值分解（Adaptive Multi-Resolution Singular Value Decomposition,AMRSVD）的大地电磁数据处理方法.首先对大地电磁数据构建Hankel矩阵,利用MRSVD得到不同分辨率的近似信号和细节信号;然后选用近似信号和细节信号的标准差差值,对大地电磁数据进行信噪辨识;接着结合MRSVD和相邻细节信号的标准差差值,提出先验信息未知情况下的AMRSVD法;最后对辨识出的强干扰运用AMRSVD去除噪声,重构有用信号.实验结果表明,该方法的处理效率高,能有效分离出相关性较强的噪声,时间序列和视电阻率-相位曲线均得到有效改善.

     

利用暗记特征鉴别彩色激光打印复制文件

为了解决计算机打印文档的自动鉴别问题,提出了Gabor特征结合稀疏表示的计算机激光打印文档鉴别算法。针对激光打印文档字符墨粉堆积纹理,提取字符图像的Gabor幅值特征,并将提取的特征进行主成分分析;最后利用不同的分类识别算法,对打印文档进行分类鉴别。在自建数据库上的实验结果表明了本文算法的有效性,打印文档源打印机准确鉴别率可达94.74%。     

不同时频分析方法的精度比较及应用

在传统的地震资料分析、处理和属性分析提取等研究中,基于平稳信号分析处理理论的傅里叶变换是核心技术之一。地震信号往往是非线性、非平稳信号,传统傅里叶变换是一种整体变换,难于反映非平稳信号的局部特征,而时频分析技术能同时展示信号在时间域和频率域的局部化特征。在介绍几种地震常用的时频分析方法基础上,进一步深入研究自适应时频分析方法。理论分析和试验表明,自适应最优核时频分布在抑制交叉项的同时,时频聚集性也较好,因此,更有利于地震勘探信号的分析和地震属性的提取、频谱分解等。     

傅立叶级数支持下的等高线多尺度表达模型

基于傅立叶级数提取等高线的特征向量,并提出了一种等高线多尺度表达的数据模型。对开等高线采用以首尾点连线作镜像处理的方式将其拓展成闭合曲线,进而将闭合曲线描述成弧长的周期函数,并将其表示为傅立叶级数。以一定阶次的傅立叶级数展开曲线与原始曲线形成的缝隙面积为依据,计算当前展开曲线的比例尺,建立傅立叶级数展开项数与等高线比例尺的对应关系。不同于传统的通过对曲线上点和弯曲的取舍来实现尺度变化的方法,通过控制傅立叶特征向量的长度来实现不同尺度的等高线表达。     

基于压缩感知的Curvelet域联合迭代地震数据重建

由于野外采集环境的限制,常常无法采集得到完整规则的野外地震数据,为了后续地震处理、解释工作的顺利进行,地震数据重建工作被广泛的研究.自压缩感知理论的提出,相继出现了基于该理论的多种迭代阈值方法,如CRSI方法（Curvelet Recovery by Sparsity-promoting Inversion method）、Bregman迭代阈值算法（the linearized Bregman method）等.CSRI方法利用地震波形在Curvelet的稀疏特性,通过一种基于最速下降的迭代算法在Curvelet变换域恢复出高信噪比地震数据,该迭代算法稳定,收敛,但其收敛速度慢.Bregman迭代阈值法与CRSI最大区别在于每次迭代时把上一次恢复结果中的阈值前所有能量都保留到本次恢复结果中,从而加快了收敛速度,但随着迭代的进行重构数据中噪声干扰越来越严重,导致最终恢复出的数据信噪比低.综合两种经典方法的优缺点,本文构造了一种新的联合迭代算法框架,在每次迭代中将CRSI和Bregman的恢复量加权并同时加回本次迭代结果中,从而加快了迭代初期的收敛速度,又避免了迭代后期噪声干扰的影响.合成数据和实际数据试算结果表明,我们提出的新方法不仅迭代快速收敛稳定,且能得到高信噪比的重建结果.     

基于稀疏表示的地面磁共振信号提取方法

在多孔隙含水层中地面磁共振（surface nuclear magnetic resonance,SNMR）信号呈现多弛豫衰减特性,常规盲源分离方法和单指数拟合方法引起信号严重失真和信息缺失等问题.本文提出了基于稀疏表示的随机噪声背景下多弛豫SNMR信号的提取方法.根据SNMR信号的衰减特征,设计了精确刻画SNMR信号且与随机噪声不相关的离散衰减余弦冗余字典.其次,针对多弛豫SNMR信号稀疏度未知的问题,通过设置合理的残差比阈值控制迭代次数,改进了广义正交匹配追踪（generalized orthogonal matching pursuit,gOMP）算法,使得该方法应用于SNMR信号的提取时,具有更好的自适应性和普适性.再次,鉴于SNMR测量数据为多次独立重复采集的结果,提出了基于数据流的SNMR信号提取策略,在提高算法鲁棒性的同时,保证了信号提取结果的唯一性.最后,通过仿真和实测数据证明了基于gOMP算法的稀疏表示方法可以显著地提升多弛豫SNMR信号的提取质量,降低随机噪声对含水层反演结果的影响,提高SNMR探测能力.

     

基于地震信号波形形态差异的面波噪声稀疏优化分离方法

实际地震信号通常可表示为具有波形特征差异的多种基本波形信号的线性组合,如叠前道集中的工频干扰噪声与有效波信号、面波噪声与体波信号等.选择单一数学变换方法,往往不易实现地震信号的稀疏表示.近年来发展的形态成分分析理论,通过联合多种数学变换,可实现对复杂信号的稀疏表示.本文根据单道地震记录中面波与体波信号波形结构特征的差异性,提出一种基于形态成分分析的面波噪声衰减方法.针对面波的低频、窄带以及频散特性选择一维平稳小波变换作为其稀疏表示字典,而针对体波波形的局部相关特性选择局部离散余弦变换作为其稀疏表示字典,建立基于双波形字典的形态成分分析模型,通过求解该稀疏优化问题获得最终的信噪分离结果.理论模型和实际地震资料处理证实该方法不仅能够衰减单炮地震记录中的强面波干扰噪声,同时能够更好地保护有效信号的波形特征与频谱带宽,为地震资料的后续处理和分析提供良好的数据基础.