一种改进的SAR干涉图综合滤波算法研究

SAR干涉图作为相位信息的载体,其质量直接影响对研究区域形变状况的进一步分析,采取有效的滤波算法能抑制干涉图相位噪声,提高干涉测量精度。在获得的干涉相位图中,由于矿区开采而造成的地表沉降会体现出近环状相位条纹的特征。针对这一特点,对传统的基于梯度的滤波算法做出了改进,并结合Goldstein频域滤波和改进的梯度自适应滤波,提出了一种适用于矿区沉降形成的SAR干涉相位模式滤波方法。选取河北峰峰煤矿的PALSAR干涉相位图作为实验数据,对该滤波方法做出了详细的性能评价和对比。结果表明,采用本文提出的综合滤波方法在显著降低实验区SAR干涉图相位噪声的同时,也很好地保持了相位分辨率,使由于矿区沉降而造成的形变相位环的边缘形态更加清晰。     

基于区域平均垂直不确定度的自适应网格水深建模方法

提出一种基于区域平均垂直不确定度的自适应网格数字水深模型构建方法。利用水深不确定度及其传递机制,计算建模区域的水深平均不确定度,自动确定网格剖分层次和组织水深数据;并在公共边界处增加约束条件,解决相邻网格区域的水深模型不连续问题。试验证明:①在水深变化趋势不一致的区域,与等间距法和水深复杂度法相比,不确定度法所构DDM具有更高的质量;②相对于等间距法,不确定度法能自动确定网格剖分层次和网格大小,控制模型质量达到预先设计的指标要求,相对水深复杂度法,具有更强的自适应调控能力;③不确定度法比水深复杂度法具有更高的自动化程度和效率。     

带状数字线划图（DLG）坐标转换方法研究

带状地形图狭长,带状数字线划图坐标转换涉及坐标转换参数和接边问题。本文采用多项式拟合法和分区块重叠带,确定区块坐标转换参数,实现了带状数字线划图坐标转换,解决了分区图形坐标转换的接边问题。并采用实测带状数字线划图数据进行坐标转换实验,转换精度高,能够满足大比例尺带状数字线划图坐标转换要求。     

城市道路复杂度的浮动车自适应采样算法

基于浮动车的城市交通信息采集技术是智能交通系统获取实时交通信息的重要手段之一。针对浮动车的城市交通信息等间距采样的不足,本文设计了一种基于城市道路复杂度的自适应采样算法:①根据道路属性定义道路结点对城市道路网络复杂度的影响因子;②利用四叉树对城市道路网络复杂度进行描述;③根据浮动车的瞬时速度和道路复杂度自适应计算浮动车的采样周期。通过仿真和试验表明,新算法能够在不同复杂程度的道路情况下自适应提供有效、可靠的采样周期。     

基于改进粒子群优化RBF神经网络的地理信息预测

本文首先针对标准粒子群优化算法容易陷入局部最优的缺点,采用动态自适应调节策略,使得粒子的惯性权重随群体聚集程度而适时变化,从而调整粒子群搜索的速度和方向以跳出局部最优;然后将粒子群算法的全局搜寻能力和RBF网络的局部优化能力相结合,利用改进的粒子群优化算法优化RBF神经网络的关键参数;并将其应用于地理信息的预测,得到满意的结果。     

基于均衡复现的载波多径抑制技术

本文基于扩频信号分析了不同多径参数对载波幅度和相位的影响,在低信噪比条件下,使用自适应均衡技术,实时估计多径参数和抑制载波多径。使用实时估计得到的多径参数,重构多径信号,从接受信号中消去多径信号。仿真结果表明,这2种算法均能很好地降低多径对载波的影响,可以有效提高载波相位的测量精度。     

利用特征选择自适应决策树的层次SAR图像分类

提出了一种新的基于特征选择自适应决策树的层次分类算法,用于合成孔径雷达（synthetic apertureradar,SAR）图像的分类。采用Joint Boosting算法选择出最适用于各类的特征组合,并自适应地搜索构造出一个由两类分类器构成的层次分类器,利用特征选择结果和自适应决策树进行了SAR图像的学习和推理,实现了自动分类,在国内首批极化干涉SAR数据上的实验证明了本算法的有效性。     

极差数据在统计专题图中的可视化表达

统计数据是地图的重要补充数据,对常规统计专题地图来说,可视化表现手段和方法已比较成熟,但在处理差额较大数据时往往达不到比较理想的效果。通过对统计专题地图性质及用途的分析,研究和总结了适宜不同的制图要素和不同的用图对象的极差数据可视化表达的方法。     

基于新型相似性测度的高光谱影像地物检测

提出了一种新型光谱相似性测度及其参数的自适应选择方法,并且将其应用到了高光谱影像地物检测中。由于这种相似性测度基于光谱角度余弦(SAC),因此在理论上对因光照强度变化、阴影和遮挡等引起的同种地物光谱变化的适应性较强。最后利用两幅高光谱影像进行了实验分析,实验结果证明提出的方法不仅能扩大阈值取值区间,而且可提高检测的精度。     

Centerville/Centreville: An Exercise in Mental Mapping

Abstract

The lesson involves having students find the location of 38 Center-villes that are located throughout the United States.