GPS随机软件中的对流层模型及对基线处理的影响

介绍了对流层延迟的性质及常用GPS随机软件中对该项误差的处理方式,讨论了常用的对流层延迟处理手段,通过对实例数据的分析比较,说明对于某些工程测量项目,采用GPS随机软件的默认设置,仅仅依靠差分仍不能消除残余对流层延迟对高程精度的影响,必须认真处理对流层延迟误差。     

基于倒频谱的运动模糊图像PSF参数估计

针对任意方向的直线运动模糊图像,说明只能直接在运动方向上得到运动参数,从而设置二维点扩展函数(point spread function,PSF).在此基础上,应用倒频谱分析法给出了PSF参数估计的方法.实验表明,该方法在模糊为任意方向且模糊范围介于5～55像素时对参数的估计误差较小,能保证较好的恢复质量;当模糊范围超出该范围时,估计误差急剧加大,估计值不可信,无法保证恢复质量.     

瑞安市暴雨强度概率分布公式参数估计研究

该文根据瑞安市1965~1997年降水自记记录, 通过适当的概率模式对暴雨强度抽样频数分布进行拟合, 并由此编制反映暴雨强度、历时、重现期三者关系的i-t-T表.利用最优化法进行非线性超定方程组的求解, 从而实现对暴雨强度公式中参数的估计.     

一种可考虑历史洪水的马氏权函数法研究

导出了非连序样本下,马氏权函数法(适用于P-Ⅲ型分布)参数估计公式.在不偏性、有效性的标准下,统计试验结果表明,推导的非连序样本下的计算公式是较为有效的,且拓宽了马氏权函数法的使用范围.     

L_n范数准则和地学模型误差及模型参数估计

本文论述了模型误差及模型参数估计的有关问题,具体包括:1)L_n范数准则;2)模型误差的一般表达式;3)线性化模型及模型含误差时的模型参数估计;4)模型的改善与优化;5)计算方案;6)模型误差与L_n范数准则。本文的论述为建立和分析各种具体的地学模型提供了必要的理论和方法。     

基于总体抽样设计的子总体作物面积遥感测量

讨论了在普遍适用的遥感与PPS抽样相结合的农作物种植面积估算方法中,基于总体抽样设计下的子总体参数的估计。该方法省去了针对子总体所需要的新的抽样体系设计及外业调查等繁重工作,分析了子总体估计量的性质。以北疆主要棉花产区沙湾县、玛纳斯县、呼图壁县为总研究区进行抽样体系设计,以沙湾县为子总体,以棉花种植面积为研究对象进行了试验。结果显示,该方法在基于总体抽样设计的条件下不仅能够有效提取农作物种植面积,而且简便易操作,反推精度达到92.5%,变异系数为0.025 27。     

应用累积法建立产量预测模式

在产量预测模式研究中常用的回归参数估计方法是最小二乘法,但该方法以某些统计假设为前提,计算也比较复杂,特别是在应用短序列资料建模时会受到很大的限制。而累积法是对原始数据序列按一定的规律进行相应叠加,用之建立线性模型,其估计量具有无偏、线性、有效、唯一等特点,估计效果与最小二乘法相同且计算过程更简便。因此,应用累积法,建立了安徽省桐城市一季稻产量预测模式,并介绍了累积法的建模过程和误差分析方法。应用累积法建立的桐城一季稻产量预测模式的历史回代误差率平均为3.90%,2011、2012两年试报准确率分别为95.7%和97.0%,与最小二乘法建立的预测模式误差率相近且略小,其估计精度完全符合业务要求。投入业务使用后,2013、2014年实际预报准确率分别为92.9%、98.5%。累积法的不足之处是随着自变量个数和样本容量的增大,正规方程组系数矩阵的病态性也会随之加剧,从而影响参数估计的精度。     

参数估计的统一模型——广义Gauss-Markov模型

设计矩阵可以是秩亏阵,观测值的协方差阵可以是奇异阵的广义 Gauss-Markov模型(简称广义G-M模型),它是一种形式简单的统一模型。本文从最小二乘估计V~TQ~-V=min 出发,研究广义G-M 模型的参数估计理论和方法。说明了V~TQV~-=min与 Rao及Bjeharmmar等的平差原则一致。并对广义 G-M模型之解及其性质进行了系统讨论。     

奇异值检验中的混合模型及EM算法

本文提出了奇异值检验中的一种新型模型－混合模型，推导了简单样本和一般线性模型下的参数估计公式，并引入了一种有效的迭代计算方法－EM算法。     

辅助模型辨识方法(3):输入非线性输出误差自回归系统

输入非线性系统包括输入非线性方程误差类系统和输入非线性输出误差类系统.针对输入非线性输出误差自回归系统,分别基于过参数化模型,基于关键项分离原理,基于数据滤波技术,研究了相应的基于过参数化模型的辅助模型递推辨识方法、基于关键项分离的辅助模型递推辨识方法、基于数据滤波的辅助模型递推辨识方法.这些方法可以推广到其他输入非线性输出误差系统、输出非线性输出误差系统、反馈非线性系统等.并给出了几个典型辨识算法的计算步骤、流程图和计算量.