面向LiDAR/Radar松组合的迭代加权IEKF-BP组合算法精度分析

为了验证目前高精度定位中多传感器组合定位模型性能的优越性,以更好地解决自动驾驶场景下自主定位中出现的预测精度标准不一致、预测不及时及误预测率高等问题,本文利用LiDAR与Radar数据,建立了一种基于迭代加权的IEKF-BP组合算法的松组合模型,并对两种传感器组合定位结果精度进行了分析.试验表明,迭代加权的IEKF-B...     

Helmert方差分量估计在GPS/GLONASS/BDS组合定位权比确定中的应用

因GNSS系统间观测噪声、轨道精度的差异,采用经验权比进行组合定位难以得到最优结果。基于此,在GPS/GLONASS/BDS组合定位中引入Helmert方差分量估计,对GPS/GLONASS/BDS组合单点定位和基线解算中各系统观测值进行合理定权。实验表明,采用该方法确定的伪距观测值最佳权比为5∶1∶1,相位观测值最佳权比为1∶1∶1,有效提高了GPS/GLONASS/BDS组合定位的精度和可靠性。     

GIS叠置图层方差分量的极大似然估计

针对GIS叠置中的同名点,以维希特分布密度为似然函数,提出了各图层方差分量的极大似然估计方法。该方法不依赖残差,不需要迭代就能估计未知参数和方差分量。     

Helmert方差分量估计严密公式与简化公式等价性的证明

在分析了Helmert方差分量估计严密公式与简化公式迭代收敛结果一些统计性质的基础上,导出了关于收敛结果共同的求解方程,从理论上证明了两种结果的等价性,为使用简化公式提供了依据。     

Helmert方差估计在桥梁跨江导线网中的应用

导线网在桥梁施工控制网的加密测量中得到广泛使用,由于存在两类不同性质的观测值以及导线边长度不等的问题,平差时应当考虑边角观测值权的统一和不同观测边权的合理取定。本文结合某特大型桥梁加密控制测量的实际情况,对跨江导线网中边长相差较大等问题,采用Helmert方差估计方法分析平差过程中权的合理取定问题,明显地提高了平差结果的精度。     

Helmert方差分量估计在跨江水准测量中的应用

Helmert方差分量估计是一种根据验后信息重新定权来保证观测值权值合理的方法之一,在很多领域已经得到了广泛的应用。本文把Helmert方差分量估计引入跨江水准测量的数据处理中,使观测数据的权值更加合理,平差结果更加准确。     

变异函数模型参数的非线性加权总体最小二乘法

针对球状模型和指数模型两种变异函数模型线性化后的系数矩阵具有非线性形式,系数矩阵元素含有随机误差等问题,该文使用非线性加权总体最小二乘法估计变异函数模型参数。以高程异常数据为例,利用变异函数值的点对数定权法和系数矩阵中距离值的方差-协方差传播律定权法迭代解算参数,并与最小二乘法,加权最小二乘法和非线性总体最小二乘法进行对比分析。实验结果表明:非线性加权总体最小二乘法能够得到更高精度的变异函数模型参数。     

影像不同空间尺度对鲁甸植被分析的影响

针对植被指数和植被覆盖度与遥感影像空间尺度的关系对高分辨率影像在植被分析中的运用具有重要影响的问题,该文提出一种确定最佳分辨率的方法。以云南鲁甸县茨院乡为研究区,先对原始影像(Worldview-2)进行重采样处理,生成一系列低分辨率影像;计算13组数据的NDVI并利用像元二分模型反演出植被覆盖度;运用信息熵理论和按照局部方差的思路等两种方法,定量分析该区植被分析的最佳分辨率。实验结果表明,随着空间分辨率的降低,NDVI值域区间呈现收敛趋势;植被覆盖度分级图斑斑块数量急剧减少,而所占面积比则保持相对平稳;信息熵中的信息量也随之减少。分析结果认为,该区进行基于Worldview-2影像植被分析的最佳空间分辨率为12m。     

BAYES方差分量估计在虚拟权平差中的应用

本文把近似Bayes方基分量估计公式应用于矿区扩建网的虚拟权平差中，解决了具体计算中的一些实际问题，最后，通过一矿区扩建网平差实例验证了该方法的可行性．     

Spatially weighted supervised classification for remote sensing

A simple approach for incorporating a spatial weighting into a supervised classifier for remote sensing applications is presented. The classifier modifies the feature-space distance-based metric with a spatial weighting. This is facilitated by the use of a non-parametric (k-nearest neighbour, k-NN) classifier in which the spatial location of each pixel in the training data set is known and available for analysis. A remotely sensed image was simulated using a combined Boolean and geostatistical unconditional simulation approach. This simulated image comprised four wavebands and represented three classes: Managed Grassland, Woodland and Rough Grassland. This image was then used to evaluate the spatially weighted classifier. The latter resulted in modest increase in the accuracy of classification over the original k-NN approach. Two spatial distance metrics were evaluated: the non-centred covariance and a simple inverse distance weighting. The inverse distance weighting resulted in the greatest increase in accuracy in this case.