利用线性融合方法进行金花茶自然保护区植被覆盖度时空变化研究

在利用高空间分辨率影像研究小区域植被覆盖度(FVC)变化时,传感器、成像条件及云量的影响会导致连续的长时序影像数据缺失或数据质量较差,同时影像的低时间分辨率也限制了对小区域连续时序FVC变化的研究。针对该问题,本文采用线性融合方法融合出连续的长时序FVC影像,解决了在研究FVC时空变化时云量和条带影响导致的Landsat影像连续时序数据缺失和低时间分辨率问题;利用Sen+Mann-Kendall进行趋势分析发现,金花茶自然保护区的FVC在2000—2016年整体呈增加趋势,FVC显著增加的区域约占37.32%,不显著增加的区域约占58.56%。线性融合方法得到的FVC影像可以精细地表征地表FVC的变化,较好地解决了高空间分辨率影像FVC连续时序数据缺失的限制,有利于小区域FVC的长时序时空变化研究。

基于线性最小二乘方法的多基地声呐定位算法

通过对多基地声呐发射站和接收各站的测量结果进行数据融合,提出了基于线性最小二乘方法的多基地声呐空间定位算法,并针对影响算法定位精度性能的各个因素进行了分析。仿真结果显示:基于线性最小二乘方法的定位算法充分利用了系统的冗余信息,在全域范围内具有较高的定位精度,较现有单纯利用三观测量的目标三维定位算法的定位性能更为优越。该算法可为多基地声呐水下目标的探测、定位和跟踪提供理论方法和设计依据。

自然语言表达实时路况信息的路网匹配融合技术

目前我国大中城市交通信息采集和传输的技术瓶颈已经基本解决,但是实时交通路况信息难以进一步与底层路网空间信息匹配和融合,造成大量路况信息难以得到有效应用,直接影响车载导航系统、公众出行信息平台、物流运输系统等位置服务(LBS)与智能交通系统(ITS)应用的服务水平。本文针对多以自然语言表达的实时路况信息与路网空间信息匹配融合这一技术难题,分析了实时路况信息的多源异构线性参照方法(LRM)表达形式,将中文自然语言理解技术融入信息融合过程,利用改进最大匹配算法实现了自然语言表达实时路况信息的自动化、智能化处理,并通过原型系统实现和实例应用验证了技术方案的有效性。

钢铁企业电力负荷预测的多模型融合仿真研究

为克服常规负荷预测模型缺乏结合具体工艺的问题,同时考虑到企业不同部门对负荷预测时段的需求,本文对负荷预测系统进行分类,分别建立日用电量预测,日负荷预测,超短期负荷预测三个子系统,通过选择优化的网络训练模型,避免了传统的负荷预测方法中单凭采样数据预测的局限性,以最小化负荷预测误差为目标,对不同的负荷管理预测系统进行仿真,仿真结果验证了本文所提出方法的有效性。

IHS方法在QuickBird数据融合中存在的问题及其改进

针对IHS变换在QuickBird数据融合中存在的光谱扭曲问题,提出了利用Visual-Pan波段和线性加权匹配两种方法进行改进,并给出了Visual-Pan波段方法中系数α的最佳取值范围,以及线性加权匹配融合图像的空间特征与光谱特征达到最佳效果时Pan权值(wPan)和I权值(wI)的最佳取值。结果表明,对于Visual-Pan方法而言,当0.2<α<0.25时,可以获得非常好的融合效果;而对于线形加权匹配方法而言,当wpan=3/4、wI=1/4时,融合图像的空间特征与光谱特征可以达到最佳效果。

海洋环境监测平行系统优化融合

多个海洋环境监测系统之间存在的功能冗余导致资源浪费和不必要的资金投入,因此应将各个系统优化融合成有机整体来节约海洋环境监测的资源和成本。将海洋环境监测系统按照功能划分为不同的模块,在线性规划融合的基础上引入熵方法,以成本和效能指标为主要对象,通过合理分配,在确保系统优化融合后监测能力不降低的同时,尽量减少建设成本。

多特征的核线性判别分析推荐方法

为提高在非线性可分数据上的推荐质量,采用基于核函数的多特征线性判别分析建立推荐模型.基于多维特征数据,采用非线性映射转换到高维特征空间,通过构建基于核的映射函数,将特征映像转换为内积空间的特征子集,最终建立基于核函数的多特征线性判别分析的分类准则,对于用户喜好的物品进行分类判别并生成推荐.实验结果表明:在20%、40%、60%、80%的数据作为训练集,其余为测试集的实验条件下,随着推荐列表长度R的增加,推荐准确率呈现先升后降的趋势,在25≤R≤35区间内,能够取得最优的平均绝对误差0.34.所提方法与现有方法相比准确率平均提升18.01%,多样性平均提升42.29%,而所用时间开销仅增加6.21%.对历史偏好数据进行特征映射,有助于提高推荐准确率与多样性.

信息检索中基于智能优化算法的数据融合方法

如何利用网络技术手段,帮助用户从互联网海量信息中迅速准确地获取用户所需信息是信息检索领域的首要问题。数据融合技术能够将不同检索系统提交的检索结果进行组合从而得到一个新的检索结果。对数据融合技术中的线性组合法进行研究,着重探讨如何采用智能优化算法解决线性组合法的权重分配问题,分析基于差分进化算法和基于粒子群算法的权重分配策略,在上述两种优化算法的基础上,提出一种新的线性组合法权重分配策略:基于自适应交替的粒子群差分进化优化算法权重分配策略。

分层像素级图像融合中线性轮廓信息识别仿真

为提升分层像素级图像融合的效率和效果,文章提出了一种基于图像分割的线性轮廓信息识别方法,首先对模糊块状的源图像进行层次划分,通过灰度值的差值计算获得清晰的像素区域,以获得分层像素级图像的最佳融合区域;而后,根据传统Canny算子阈值设置不合理造成的轮廓边缘不连续或伪边缘的问题,引入最大信息熵进行阈值自适应选择,以改进Canny算子,去除伪边缘的问题,并融合自适应生长区域算法、Otsu阈值分割识别轮廓边缘的断点信息,解决轮廓边缘不连续的问题。最后,利用Matlab仿真分析,验证了改进Otsu阈值法和自适应阈值Canny算子的线性轮廓信息识别算法的准确度、完整性更高。

多层线性模型与神经网络融合算法在公司债收益率预测中的应用

近年来,我国以银行间债券市场为代表的公司债持续发展,公司债券作为上市企业融资的重要渠道之一,其收益率相关的预测研究可以为市场参与者提供重要投资依据.结合两次熵权法合成的流动性代理指标,以多层线性回归与神经网络模型为基础构建公司债收益率预测模型,同时将股权市场的Fama-French三因子纳入到该融合预测模型中.研究结论表明,熵权法合成的流动性代理指标与Fama-French三因子在多个债券收益率预测模型中均显著.与线性回归或机器学习等单一模型相比,结合多层线性回归与神经网络学习的融合模型预测偏差更小且多个评价指标均为最佳,可为该问题的解决提供更科学合理的方法.

线性模型的遥感图像时空融合

目的时空融合是解决当前传感器无法兼顾遥感图像的空间分辨率和时间分辨率的有效方法。在只有一对精细—粗略图像作为先验的条件下,当前的时空融合算法在预测地物变化时并不能取得令人满意的结果。针对这个问题,本文提出一种基于线性模型的遥感图像时空融合算法。方法使用线性关系表示图像间的时间模型,并假设时间模型与传感器无关。通过分析图像时间变化的客观规律,对模型进行全局和局部约束。此外引入一种多时相的相似像素搜寻策略,更灵活地选取相似像素,消除了传统算法存在的模块效应。结果在两个数据集上与STARFM(spatial and temporal adaptive reflectance fusion model)算法和FSDAF(flexible spatiotemporal data fusion)算法进行比较,实验结果表明,在主要发生物候变化的第1个数据集,本文方法的相关系数CC(correlation coefficient)分别提升了0.25%和0.28%,峰值信噪比PSNR(peak signal-to-noise ratio)分别提升了0.153 1 d B和1.379 d B,均方根误差RMSE(root mean squared error)分别降低了0.05%和0.69%,结构相似性SSIM(structural similarity)分别提升了0.79%和2.3%。在发生剧烈地物变化的第2个数据集,本文方法的相关系数分别提升了6.64%和3.26%,峰值信噪比分别提升了2.086 0 d B和2.510 7 d B,均方根误差分别降低了1.45%和2.08%,结构相似性分别提升了11.76%和11.2%。结论本文方法根据时间变化的特点,对时间模型进行优化,同时采用更加灵活的相似像素搜寻策略,收到了很好的效果,提升了融合结果的准确性。