改进局部稀疏系数的轻小型光子计数激光雷达去噪方法

无人机载光子计数激光雷达测深系统具有高探测灵敏度、高密度、小光斑的特点,是海岛礁和浅海水深快速测量的重要技术手段。然而,高探测灵敏度也导致了获取的光子点云数据具有背景噪声大、信噪比与地物类型的相关性强以及光子的密度分布差异大,已有的去噪算法不能很好地适用。本文提出一种原始光子观测数据的去噪方法,首先基于直方图统计的方法计算原始光子观测数据的有效信号区间,其次利用网格统计法对区间内数据进行粗去噪,最后改进局部稀疏系数方法,采用水平椭圆搜索计算格网内每个光子数据的局部稀疏系数值,基于最大类间方差法确定噪声光子和信号光子的分隔阈值,实现原始光子观测数据的精去噪。本文选取了海南省的加井岛及临近的浅海地形为研究区,获取了无人机载光子计数激光雷达光子数据,验证本文提出的去噪算法。结果表明:该方法在高信噪比海岛植被覆盖区域和砂质潮间带区域的F1-Score均值达94.64%和98.96%,在低信噪比的近岸较浅和较深水体区域的F1-Score均值达93.04%和90.74%,总体F1-Score为94.34%,能有效剔除绝大部分噪声点,且对不同信噪比的海岛植被、沙地和不同深度的水下地形具有较强的适应能力。此外,本文还选取南海地区的珊瑚岛星载ICESat-2光子数据集,初步验证了本文所提出去噪算法在星载光子点云数据上的可用性。

基于滑动窗口的多变量时间序列异常数据的挖掘

与其它多变量时间序列(MTS)子序列显著不同的子序列,称为异常子序列(含异常数据)。该文提出了一种基于滑动窗口的MTS异常子序列的挖掘算法,使用扩展的Frobenius范数来计算两个MTS子序列之间相似性,使用两阶段顺序查询来进行K-近邻查找,将不可能成为候选异常子序列的MTS子序列剪去,对上海证券交易所股票交易情况MTS数据集进行了异常子序列(含异常数据)挖掘,结果表明了算法的有效性。

多变量时间序列异常样本的识别

多变量时间序列(MTS)在金融、多媒体、医学等领域的应用是非常普遍的.与其它多变量时间序列样本显著不同的样本,我们称之为异常样本.本文提出一种基于局部稀疏系数的多变量时间序列异常样本的识别算法,使用扩展的 Frobenius 范数来计算2个 MTS 样本之间相似性.使用两阶段顺序查询来进行 k-近邻查找,将不可能成为候选异常样本的 MTS 样本剪去.在2个实际数据集上进行实验.实验结果验证算法的有效性.