抗差自由网、非自由网平差的回归算法

叙述了在回归方法基础上的控制网平差算法,这种方法可以分解探测值粗差和起算数据粗差的过程,因此可以把控制网看作自由网逐步代入任一坐标系统。文中介绍了一系列作者研究的理论,例如,临时绘定未知数个数的方法,回归平差方法的进一步发展等。这种算法可以应用到传统地面网的平差,地面网与卫星空间网的联合平差,以及变形网的平差,而且已编成软件包ＡＤＪＳＴ。     

平差因子在抗差估计中的应用

在经典的抗差估计中,一般都是给定不同的权函数从而产生了不同的估计方法,这些权函数基本上都是残差的函数,当遇到多于观测分量接近于0的时候,粗差就不能很好的在残差中反映,致使我们的抗差效果不是很好.本文在结合残差理论和这些经典方法上给出了两步法进而具有很好的抗差效果.     

虚拟误差方程及其在粗差探测中的应用

本文提出了利用虚拟误差方程探测测量中的多个粗差，导出了计算公式，并给出了算例，用这种方法可以大大提高多个粗差的探测速度。     

GPS网无约束平差中的粗差探测

GPS网的平差模型与经典网不同,它利用基线向量作为虚拟观测量进行平差,根据巴尔达法基本原理,用程序实现了将巴尔达法用于三雏GPS网平差中,不仅可以用来探测一个粗差,还可以用来探测多个粗差,根据实际算例,说明了该方法在获得GPS网可靠性的参数估值和精度信息的同时,对粗差进行了正确的定位,验证了该方法的效果,得出一些有益的结论.     

GPS网平差中的粗差探测及质量分析的探讨

随着GPS卫星定位技术在测绘领域的普及,许多GPS数据处理及平差软件也应运而生,在这些软件中包含有各种各样的粗差探测及质量分析工具。在GPS网平差中,粗差探测及质量分析是一项很重要的工作,熟练应用粗差探测及质量分析工具,对观测数据作出正确判断,采取合理措施,是可以避免不必要的返工。文中叙述了如何在平差过程中正确使用这些工具,以期对广大用户有所帮助。     

一种多个粗差的定位与估值的方法

首先分析真误差与残差的关系．并以此关系为基础，提出一种新的、有特色的多维粗差探测与定位方法．该法采用传统的最小二乘平差，对最小二乘平差的残差进行统计检验．如果存在粗差，则可以通过新的估计公式对粗差及未知参数进行估计．该法可以准确地进行多维粗差的定位和估值，而且能严密评定估值的精度．最后，通过一个算例加以说明．     

基于奇异值分解法的抗差总体最小二乘

在最小二乘平差中,认为只有观测向量中存在误差,因此当有粗差存在时,也只需要考虑观测向量中的粗差,采用抗差最小二乘可达到剔除粗差的目的。而总体最小二乘同时顾及了系数矩阵和观测向量中的误差,这就要求抗差总体最小二乘同时考虑系数矩阵和观测向量中的粗差。为了同时对粗差进行探测和定位,在加权总体最小二乘奇异值分解法的基础上,提出了一种总体最小二乘抗差估计,最后通过2个算例证明了本文提出方法的有效性和可行性。     

测量平差中平差模型的相互转换

本文应用近代平差理论，导出了五种平差法的计算公式，从特殊到一般地揭示了平差模型计算公式的内在规律，这对于深入理解平整理论．牢固掌握平差计算公式都是很有益处的     

条件平差与间接平差的相互关系

条件平差和间接平差是测量平差的两大基础。在各种有关测量平差的文献和教程中，这两种方法都是作为一种独立的方法被各自提出，而两者之间的关系尚无人论及。作者曾在文^[2]中利用泛函分析原理推导了条件方程与误差方程系数矩阵之间的关系，但对于条件平差和间接平差之间整体关系的认识还很不够。本文从条件平差原理和间接平差原理入手，利用矩阵分析理论，发现并论证了条件平差与间接平差整体上的相互关系。并给出了相应的实例，从根本上解决了这两大平差基础之间的关系问题。     

关于导线测量粗差若干问题的探讨

导线具有布设灵活、适用于已知点稀少的隐蔽地区等特点,因此,在控制测量中得到了广泛应用。本文简要分析了导线测量中粗差可能产生的原因,介绍了粗差判断的几种方法,并就在导线闭合差中无法发现和剔除的粗差作初步探讨。     

差分辅助中值滤波外弹道野值检测与剔除方法

针对中值滤波对连续型野值检测与剔除性能不理想的问题,提出了一种差分辅助中值滤波方法,并将其应用于外弹道测量数据的野值检测与剔除工作中。中值滤波方法对孤立型野值检测和剔除表现出很好的稳健性,但是当观测数据中野值点连续分布时,中值滤波方法往往无效。利用差分方法可以改变观测数据中野值点的分布。在此基础上利用中值滤波方法进行野值检测和剔除可获得更好的效果。计算机仿真和实测数据处理结果证明,差分辅助中值滤波野值剔除方法不仅对孤立型野值有效,同样适用于连续型野值检测和剔除。     

基于Bayesian方法的参数估计和异常值检测

异常值检测是当前数据分析研究中的一个重要研究领域。模型中的异常值会直接影响建模、参数的估计、预测等问题。基于模型的异常值检测,传统的做法是先对模型参数进行估计,再进行异常值检测。而异常值的存在会影响参数估计,从而导致下一步异常值检测的不可靠;反之异常值检测也会影响参数估计。针对这些不足之处,提出了基于 Bayesian 方法的参数估计和异常值检测,此方法可以将参数估计和异常值检测同时实现,具体做法是在线性回归模型中引入识别变量,基于 Gibbs 抽样算法,给出识别变量后验概率的计算方法,通过比较这些识别变量的后验概率进行异常值定位,同时给出参数的估算方法。通过大量的模拟实验,结果表明,与传统方法相比,提出的方法对异常值更灵敏。     

基于图的空间例外检测算法研究

 空间例外检测可以发现许多意想不到的潜在知识.已有的空间例外检测算法都是在多维几何数据集合中进行的文章在图结构数据集合中发现空间例外.首先,结合空间数据的特点并基于DB(ρ,d)例外的定义提供了基于相异度的空间例外SDB(ρ,d)例外的形式化定义,然后给出了相应的空间例外挖掘算法.     

Robust monocular SLAM towards motion disturbance

The standard extended Kalman filter-based simultaneously localization and mapping （EKF-SLAM） algorithm has a drawback that it could not handle the sudden motion caused by the motion disturbance. This prevents the SLAM system from real applications. Many techniques have been developed to make the system more robust to the motion disturbance. In this paper, we propose a robust monocular SLAM algorithm. First, when the motion model-based system failed to track the features, a KLT tracker will be activated for each feature. Second, the KLT tracked features are used to update the camera states. Third, the difference between the camera states and the predictions is used to adjust the input motion noise. Finally, we do the standard EKF-SLAM with the new input motion noise. In order to make the system more reliable, a joint compatibility branch and bound algorithm are used to check the outliers, and an IEKF filter is used to make the motion estimation smoother when the camera encounters sudden movement. The experiments are done on an image sequence caught by a shaking hand-held camera, which show that the proposed method is very robust to large motion disturbance.     

用时频峰值滤波去除多普勒频率估计野值点的方法

研究去除多普勒频率估计野值点的方法.在分析多普勒频率估计野值点的成因和特点的基础上,对含有野值点的多普勒频率估计按比例调整到适当的频率范围内,用时频峰值滤波方法对其进行处理,恢复原多普勒频率比例尺度,从而达到去除野值点的目的.实验结果表明,选择较小窗长的伪Wigner-Ville分布,一次迭代就可有效地去除多普勒频率估计中的野值点,对后续的脱靶量参数估计没有任何不利影响,方法简单可靠.     

一种对成片连续野值不敏感的鲁棒Kalman滤波

针对量测噪声中可能出现成片连续野值的情况，利用Ｂａｙｅｓ定理，得到了判别成片连续野值的后验概率公式，并提出了对上述野值不敏感的鲁棒Ｋａｌｍａｎ滤波。仿真实例表明：较之一般的Ｋａｌｍａｎ滤波，文中提出的方法能够较为满意地处理量测噪声中具有成片连续野值的恶劣情形。     

用小波变换去除多普勒频率估计野值点的方法

研究去除多普勒频率估计野值点的方法．在分析野值点统计特性及小波域分布特性的基础上，通过利用野值点和多普勒频率在小波域上系数的不同，首先对各尺度系数进行分段，然后对不同段的系数设定不同阈值进行处理，从而达到去除野值点和恢复多普勒频率的目的．实验结果表明，去除野值点后的结果与原数据的残差中不包含多普勒频率的趋势分量，对后续的脱靶量参数估计没有任何不利影响，去除了随机测量误差与野值点的影响。     

智能数据分析中的异常数据管理

数据是信息时代的重要资源，智能数据分析为发掘它自身的价值起到了很大的作用，但异常数据却给智能数据分析带来了新的挑战。本文提出了异常数据的管理方法，包括不同类型异常数据的分类方法、蕴知性异常数据的筛选方法。从源头上减少噪音性异常数据的方法，以及当前对异常数据进行研究所必须采取的措施。     

基于离群点检测的K-means算法

K-means算法以其简单、快速的特点在现实生活中得到广泛应用。然而传统K-means算法容易受到噪声的影响,导致聚类结果不稳定,聚类精度不高。针对这个问题,提出一种基于离群点检测的K-means算法,首先检测出数据集中的离群点,在选择初始种子的时候,避免选择离群点作为初始种子。然后在对非离群点进行聚类完成后,根据离群点到各个聚类的距离,将离群点划分到相应的聚类中。算法有效降低离群点对K-means算法的影响,提高聚类结果的准确率。实验表明,在聚类类别数给定的前提下,在标准数据集UCI上该算法有效降低离群点对K-means算法的影响,提高了聚类的精确率和稳定性。