坐标转换模型尺度参数的假设检验

介绍了基于空间尺度为各向异性的三尺度参数坐标转换模型及其转化形式，从理论上分析了坐标转换中如何对尺度参数进行选择，给出了坐标转换模型中尺度参数假设检验模型的统一表达形式，构造了相应的检验统计量。该检验模型能对三尺度坐标转换模型、双尺度模型和单尺度是的相互转化及尺度参数的显著性等情况进行假设检验。通过该假设检验方法对两算例进行了解算，得出了一些有益的结论。     

平差模型假设检验的统一方法及其应用

作为假设检验在平差模型参数检验中的应用，应该建立适用于各种模型的一种假设检验统一方法。作者选择带约束的高斯一马尔柯夫模型，采用Koch[1]建议的线性假设约束，导出了假设检验公式，称为平差模型假设检验的统一方法。以此为基础，对于所有平差模型，都可给出相应检验公式。完整了平差模型假设检验的统一理论。本文首先给出这种统一方法，作为应用，对两种应用广泛的附加系统参数模型和滤波模型给出了相应检验公式。常用的多维粗差和一维粗差检验公式已包含在前一模型检验公式中，后一模型导出的检验公式尚未见之于其它文献。     

拟准检定法用于划分不同运动趋势块体

利用位移观测数据区分不同形变趋势块体一般分三步进行:基准检测、块体范围区分和各块体内异常形变检测．本文提出用拟准检定法来实现这三步．前两步初选拟准观测是关键．对于基准检测，按形变位移量大小；对于块体范围区分，则按形变方向．最后，通过一个模拟算例，简单介绍了每一步的实施步骤，并比较了拟准检定法与抗差估计(Huber)法、假设检验法的检测效果．结果表明，拟准检定法可以将上述三步成功实现，而抗差估计法只能检测出块体内的异常形变，对稳定基准检测和块体范围划分是失败的；假设检验法在该三步检测中均为失败．从而验证了拟准检定法具有粗差定位准确、崩溃污染率高的优越性．      

数理统计在地理信息系统中的应用

数据质量控制是贯穿地理信息系统过程中的一个重要内容，本文运用数理统计的假设检验原理，对地理信息系统中数字地图的成图质量进行综合评判，从而了解地理信息系统前端数据的可靠性和可信度，为地理信息系统的下一个作业环节提供可靠的质量保证。     

均方误差意义下正则化解优于最小二乘解的条件

利用矩阵理论导出了均方误差意义下正则化解优于最小二乘解的条件，构造了相应的检验统计量，推导出的条件式及其相应的假设检验适合于各种正则化矩阵类型的Tikhonov正则化方法。     

阿深高速公路湖北省南段控制基准检测与精度分析

介绍了阿深高速公路湖北省南段控制网基准检测的外业实施和数据处理与分析,并用F检验方法对原测量成果和检测成果差异进行了显著性检验,得出了一些建议和结论。     

一种遥感影像分类精度检验的新方法

遥感影像中属于某类别的特征向量服从正态分布，基于此理论，根据统计学原理，提出一种新的基于类别分布的分类精度检验方法，该方法与常规基于混淆矩阵的分类精度检验方法完全不同，不需检验数据，仅需要一定的样本数据来估计总体的分布，可直接利用监督分类的训练区进行，因此对监督分类而言工作量极小。该方法能够进行的关键是类别总体的分布能通过某一分布的假设检验，在这种情况下可方便地计算出该类别的生产者精度，同时根据类别均值向量对应的像元数目和均值向量在类别总体中出现的概率计算出类别总体的数目后，可计算出各类别的用户精度，然后根据各类别的用户精度和分类后各类别分布面积比例计算出分类总精度。最后以郑州市高密度建设用地分类的生产者精度数据的获取为例进行了实证研究。研究表明：对于总体分布与正态分布最接近的两个波段的分类结果，本方法的计算结果与常规方法的计算结果在统计意义上可以认为一致。     

对F-J方法中采样算法的改进

介绍了基于贝叶斯理论的线性-非线性模型的反演方法(F-J方法),在理论上可以求出模型参数的概率分布,可以通过马尔可夫链蒙特卡洛(Markov chain Monte Carlo, MCMC)采样估计参数值及其精度。为了评估F-J方法反演效果,给出了线性-非线性模型的最小二乘方法以及假设检验步骤。针对MCMC采样算法中参数的随机游走步长会影响最佳采样数量的问题,对采样算法作了改进,模拟数据算例表明,改进的采样算法基本消除了部分参数游走步长选取不合适对确定采样次数的影响,解决了随机游走采样难以确定最佳采样点数量的问题。     

卡尔曼滤波模型误差的识别

本语文在简述卡尔曼滤波模型基础上讨论了模型误差的检验和估计回顾,提出了检验卡尔曼滤波模型误差显著性的几种统计假设检验方法,探讨并给出了估计模型误差的方法和公式。     

自回归模型在矿山变形监测中的应用

变形监测的目的是针对不同的监测数据采用合适的数据处理方式,建立适当的模型,做出正确的预报,以减小事故的发生。回归模型是研究一个随机变量(因变量)和另一个或一些变量(自变量)关系的统计方法,它通常设置一些可以测量的变量为自变量建立回归方程来预测另外一些变量的变化趋势,是一种静态数据处理方式,但是在时间序列情况下,回归应该根据该变量自身以前的规律创建预测模型,这就是自回归模型,是一种动态数据处理方法,它特别适合于短期监测预报。