一种多系统组合导航快速选星方法

采用多卫星导航系统组合导航,定位精度和系统可靠性会大幅提升,但导航定位运算量也会成倍增长。为解决多系统组合导航定位精度与实时性之间的矛盾,提出一种新的选星方法。新方法不追求最小GDOP值,而是以满足导航定位精度的GDOP值为前提,结合模糊理论中隶属函数的思想,按卫星在星座中均匀分布为原则进行选星。推导伪距测量的误差模型,分析了GDOP与测量误差之间的关系。北斗、GPS和GLONASS三系统组合导航选星实验结果表明,在不超过3次求解GDOP值的情况下,新方法能以不小于98%的概率得到GDOP≤4。     

热红外与可见光数据的云边缘高度匹配

高分辨率数据中云高度的差异性突显,特别是边缘处高度在云阴影识别和地表辐射估算等方面成为需要考虑的重要因素。热红外数据获取云高度分辨率较低、缺乏细部差异性特征,为解决这一问题,首先将对应的热红外和可见光数据进行特征点配准,再将基于热红外数据计算的云高度重采样至高分辨率,然后以基于欧式距离变换的围线搜索方法及距离加权将热红外云边缘高度匹配至对应的可见光图像,最后根据云阴影的相似度匹配方法确定真实云高度。结果表明,算法在遵循热红外云高信息分布变化规律的同时,可以得到较准确的高分辨率云边缘高度,一定程度上解决了热红外技术获取云高在分辨率上的局限,扩展了其在云高反演方面的作用。     

K-GM（1，1）模型在岩体变形监测中的应用

传统GM （1,1）模型存在着长期预测效果差、模型精度不高等问题,卡尔曼滤波能够排除建模过程中随机干扰因素,滤波值能够反映更真实的数据情况。为了能更好地提高变形监测的预测精度,基于传统GM （1,1）模型和卡尔曼滤波,提出K‐GM （1,1）模型,利用该模型对岩体变形监测数据进行建模预测,并与传统GM （1,1）模型预测结果进行对比分析,结果表明,K‐GM （1,1）模型具有较高的预测精度,可作为变形监测的一种新方法。     

改进后灰色神经网络及短期基坑沉降预测研究

在短期基坑沉降监测中,由于数据量少且呈非线性变化,沉降模型很难准确建立。灰色GM(1,1)对数据少、趋势性强、波动小的数据有较高的预测精度,但不能模拟复杂的非线性函数;BP神经网络可以对非线性数据进行学习训练,具有自学习、自适应能力;通过将GM(1,1)与BP神经网络组合,并优化网络部分的学习率、权值和阈值等,建立一种改进的灰色神经网络模型,该模型具有对非线性数据自学习、自适应能力和预测精度更高等优点。通过某基坑沉降监测分析,验证改进的灰色神经网络模型预测精度更高,适合短期建模,具有很好的实用性。     

太原市地表热环境时空格局分析

针对鲜有资源型城市的地表热环境研究这一情况,该文基于Landsat8遥感数据,反演了太原市在2013—2015年间共3期的地表温度。提出一个考虑空间格局结构的城市热岛效应指数,在3期数据中,太原市区整体热岛效应指数分别为9.1%、9.8%和8.9%;同时,根据城市功能和路网结构将太原市区划分为6个分区,从分区级层面量化分析了地表热环境的时空分异特征规律,结果表明,太原市区地表温度整体呈现空间分散化特征,不同分区也呈现出不同的时空格局演变过程;最后,选取40个地表温度实测样本点验证反演精度,最大误差绝对值为1.1℃,最小误差绝对值为0.2℃,均方根误差为0.7℃。     

支持向量机的车载雷达点云目标识别

为了进一步研究移动测量系统的数据处理问题,该文根据点云的基本特征,归纳了由7个特征构成的点云原始特征向量,在此基础上,结合语义环境构建了由17个特征构成的点云扩展特征向量,并采用支持向量机模型对车载LiDAR点云进行行道树点云识别的一系列实验。实验中采用粒子群优化算法和遗传算法对支持向量机进行参数寻优;采用不同特征向量和不同数目样本对点云进行学习和目标识别;分析了特征向量的学习曲线和识别精度。实验结果表明,支持向量机模型能够在行道树点云识别中取得较高的精度。     

混合核特征加权SVM遥感湿地空间分类

针对湿地空间信息的复杂性和SVM的分类性能,设计一种基于混合核函数的特征加权SVM分类模型,综合利用多种特征信息,避免被弱相关特征所支配,从而提供更佳的映射性能和泛化能力。实验结果表明,该分类模型兼具良好的外推和内推能力,能够有效地融合不同信息源特征,得到更完整和准确的分类结果,在总体精度、Kappa系数等多项指标上都表现出更高的水平。     

AAC算法的大气校正复合改进算法

利用模拟数据,评价Autonomous Atmospheric Compensation(AAC)算法的抗噪性,认为AAC算法的抗噪性较弱。基于TASI实测数据,利用AAC算法开展反演计算时,计算结果呈现出多样性问题。结合In-scene Atmospheric Compensation(ISAC)算法中黑体像元的标定方法,提出了一种复合改进算法。首先,利用ISAC算法反演的大气透过率和路径辐射,重新计算AAC算法中大气透过率之比(Tr)和相邻两强弱吸收通道的路径辐射之差(Pd),再次,运用经验公式获得稳定的大气反演结果(大气透过率和路径辐射),有效解决了计算结果多样性的问题。利用复合改进算法,开展的温度与发射率分离实验,证明反演得到的发射率波谱更接近野外实测波谱。     

时变参数灰色模型背景值重构及实现

针对时变参数灰色模型PGM(1,1)的背景值重构收敛速度及稳定性问题,该文运用积分的方法综合序列在Δt内不同变化趋势,导出背景值模型的准确表达式。实现了反映序列对新老信息偏爱程度的最优权值介于(0,1)内,且非不能越过某一阈值;给出了背景值重构模型最优解准确求取的具体算法步骤。基于MATLAB语言的实验结果表明:改进模型预测精度高,易于实现;所研究的带权灰色模型GM(1,n)背景值模型的重构及计算方法验证了PGM(1,1)模型重构及计算实现方法的有效性和实用性。     

三重加权变形监测预测模型及应用

针对GM(1,1)建模过程存在背景值、时间因素和初始条件3方面的不足,该文提出三重加权TPGM(1,1)预测模型。通过对背景值进行加权生成新的背景值,建立PGM(1,1)模型;在PGM(1,1)基础上考虑到时间因素,在求解灰参数时进行第2次加权建立DPGM(1,1)模型;最后考虑到初始条件对预测模型的影响,在DPGM(1,1)基础上进行第3次加权,建立TPGM(1,1)模型。通过实例分析,比较GM(1,1)、PGM(1,1)、DPGM(1,1)、TPGM(1,1)4种模型在变形监测数据处理中的拟合和预测结果,表明三重加权TPGM(1,1)模型拟合效果更好、预测精度更高;该模型具有前3种模型的优点,同时弥补了传统GM(1,1)存在的不足。