基于线性光谱混合模型的光谱解混改进模型

传统的基于线性光谱混合模型(LSMM)的解混方法采用迭代求解方式,复杂度较高,为此提出一种基于几何方式的模型求解方法。另一方面,LSMM采用固定谱形固定数量的光谱端元进行解混,影响了光谱解混精度,为此提出端元谱形的区域修正方法和端元子集的局域确定方法,从而建立基于柔性端元的新解混方式。实验表明了所提出的几何求解方法及柔性光谱端元方式的有效性。     

基于时间序列遥感数据的植被覆盖度反演研究

基于案例分析,阐述时间序列遥感数据的植被覆盖度反演,结合GIS和RS技术,采用像元二分模型提取估算植被覆盖度,通过数理统计方法得到植被覆盖率的变化规律,从而为研究城市生态环境变化状况提供参考,并对城郊地表环境的改善及建设提供参考依据。     

MODIS数据植被覆盖度提取算法比较

植被覆盖度是植物群落覆盖地表状况的一个综合量化指标,是一个重要的生态气候参数。利用MODIS数据对比分析了植被覆盖度常用的提取方法。基于2007年沈阳市的MODIS影像分别使用两种不同的模型（归一化植被指数和增强型植被指数的像元二分模型;三波段梯度差法）提取了植被覆盖度信息,并利用时相相近的高分辨率Landsat TM影像的提取结果对其进行了验证。研究结果表明：对MODIS数据而言,采用像元二分模型能较好地提取大区域范围的植被覆盖度信息。     

基于高精度端元的混合像元线性分解模型研究

从理论上阐述了混合像元的产生机理和混合像元线性分解模型,研制了一套地面成像光谱实验系统,直接获取了高精度的端元光谱数据,通过像元合并的方式构造混合像元,针对不同丰度的非立体空间混合像元端元,分析了根据线性分解模型加权计算得到的光谱与实际混合光谱的误差,进而论证了线性分解模型的精度.     

基于LSTM混合模型的时间序列预测

网络流量分析和预测已经成为监控网络的关键。网络预测是捕捉网络流量并对其进行深入研究以决定网络中发生的情况的过程。网络流量的分析和估计的准确性在实现网络服务质量(QoS)的保证方面越来越重要。研究通过将LSTM和ANFIS相结合的形式构建LSTM-ANFI模型,提高网络流量预测性能。实验结果表明,LSTM-ANFI模型在网络流量的预测方面具有一定优势,通过模型对比不难发现该模型优于单一的LSTM和单一的ANFIS模型。就相关指标而言,提出的增强型LSTM R297.95%和增强型ANFIS模型的经验结果是R2=96.78%,适用于蜂窝网络流量数据。     

基于光谱线性分解的高光谱图像高效压缩

高光谱图像有效压缩对于实现实时传输具有重要意义。本文将光谱线性分解应用于高光谱图像的高效压缩中,根据高光谱图像的线性混合模型,将高光谱数据分解为端元与丰度的乘积,编码端对端元与丰度进行必要的数据处理,然后分别进行JPEG-LS无损压缩,形成输出码流数据。解码端利用最终解码后的端元与丰度相乘来重建原始图像,探讨了量化步长对率失真性能的影响。仿真实验结果表明,该方法能够取得一定的压缩性能。     

基于无人机高光谱遥感的荒漠草原覆盖度提取方法研究

植被覆盖度(fractional vegetation coverage, FVC)是草地退化评价的重要指标之一,实时、快速、准确地采集FVC是进行草地退化评价的基础。本文以无人机(unmanned aerial vehicle, UAV)高光谱遥感图像为数据源,提出了3D-ResNet18深度学习覆盖度提取方法,将此方法与回归模型法和ResNet18经典深度学习方法进行比较,并对提取精度进行验证。结果表明,提出的3D-ResNet18方法对荒漠草原FVC展现出较优的提取效果,总体估算精度达97.56%,相比较NDVI、SA-VI、G＿CR＿NDVI、G＿CR＿SAVI和ResNet18分别提高了8.32%、5.92%、2.20%、2.14%和1.87%,为荒漠草原FVC信息高精度和高效率的统计奠定基础。     

基于Gram行列式的快速端元提取方法

高光谱图像端元提取往往涉及到高维空间中单形体体积的计算,使用无需降维的体积公式能够避免信息损失,但却具有极大的计算复杂度。针对这一缺点进行了研究,提出了基于Gram行列式快速的端元提取算法。该算法不需要计算单形体体积,而是利用了体积公式的递推关系,大大降低了计算复杂度。模拟和真实数据试验表明,该算法在保证高精度端元提取的同时,具有极快的端元提取速度。     

基于线性混合模型的高光谱图像分布式压缩感知

为了实现高光谱图像的有效压缩采样与重构,对分布式压缩采样的高光谱数据应用线性混合模型进行重构.首先,在图像采集阶段,针对高光谱图像的空谱特性,应用分布式压缩采样策略对高光谱数据进行采集;在数据重构阶段,应用高光谱图像的线性混合模型假设,先对压缩数据进行端元数目的估计,再利用估计的端元数来估计丰度矩阵,根据端元特征信号的稀疏性质提取端元矩阵,从而重构出原始的高光谱数据,抛弃了压缩感知重构算法中高计算复杂性的欠定问题求解.实验结果表明:在压缩采样数据为总数据的20％时,重构的平均信噪比比压缩投影主成分分析算法提高了15 dB以上,同时该方法还便于获得端元和丰度信息.所设计的压缩感知方案采样方式简单,重构速度快、精度高,可应用于星载或机载的高光谱压缩感知成像.     

基于粗糙集理论的混合区间时间序列预测模型

在中长期风速预测过程中,大量的影响因素数据让预测模型越来越复杂。而预测方法中,线性建模方法和非线性建模方法对建模对象有着严格的要求。因此文章提出一种基于粗糙集理论的混合区间时间序列预测模型,通过粗糙集理论对决策数据的影响因子进行筛选,得到影响预测信息的关键因素,同时降低预测模型的输入变量个数。通过对ARIMA和ANN在线性和非线性预测上的优势进行分析和比较,提出一种结合两种预测模型的混合预测算法,并分析了其误差。     

基于谱聚类的高阶模糊时序自适应预测方法

结合数据特征及分布特点提出一种基于谱聚类的模糊时间序列自适应预测方法。首先基于谱聚类的思想,根据样本数据特征获取其所属论域的个数及范围,实现向模糊时间序列的自适应转化;然后基于Markov概率模型表示模糊时间序列中的模糊关系,从而对多步模糊关系、高阶模糊关系及模糊关系的稳态进行求解;最后获取预测值的可能模糊状态,进而利用去模糊化方法将其还原为预测值。在真实以及人工时间序列数据上的实验表明了所提方法的合理性与有效性。     

基于时间序列分析的弹道目标进动周期提取

利用微波暗室静态测量数据,反演了某型弹道目标在典型战情下的动态雷达散射截面积（RCS）时间序列。分析表明：该序列具有非平稳性、相关性和拟周期性的特点,直接利用谱分析方法提取进动周期的效果较差。采用B样条函数、广义自回归条件异方差（GARCH）模型和自回归—滑动平均模型（ARMA模型）构造了RCS序列的迭合滤波分解模型。其中B样条函数用来表征趋势项,GARCH模型表征波动聚集项,ARMA模型表征受噪声污染的平稳周期项。证明了周期项等价于一个参数缓变的ARMA序列,进而可以利用常规功率谱估计方法对进动周期进行精密估计。仿真表明：所提方法能够有效提取弹道目标的进动周期。     

基于DTW的长期直觉模糊时间序列预测模型

针对现有直觉模糊时间序列模型中直觉模糊关系组和确定性转换规则过度依赖训练数据规模的问题,提出一种基于动态时间弯曲（DTW, dynamic time warping）距离的长期直觉模糊时间序列预测模型。通过直觉模糊C均值（IFCM, intuitionistic fuzzy C mean）聚类构建直觉模糊时间序列片段库,动态更新和维护规则库,减少系统复杂度。提出基于DTW距离的直觉模糊时间序列片段相似度计算方法,有效解决不等长时间序列片段匹配问题。通过对合成数据以及包含不同时间序列模式的气温数据的实验,与其他相关模型比较,说明该模型对于不同时间序列趋势变化模式中均具有较高的预测能力,克服传统模型提高模型只能满足单一模式时间序列预测,提高模型的泛化性能。     

Network traffic prediction based on a new time series model

Fast and accurate methods for predicting traffic properties and trend are essential for dynamic network resource management and congestion control. With the aim of performing online and feasible prediction of network traffic, this paper proposes a novel time series model, named adaptive autoregressive (AAR). This model is built upon an adaptive memory‐shortening technique and an adaptive‐order selection method originally developed by this study. Compared to the conventional one‐step ahead prediction using traditional Box–Jenkins time series models (e.g. AR, MA, ARMA, ARIMA and ARFIMA), performance results obtained from actual Internet traffic traces have demonstrated that the proposed AAR model is able to support online prediction of dynamic network traffic with reasonable accuracy and relatively low computation complexity. Copyright © 2005 John Wiley & Sons, Ltd.     

基于混合高斯模型和帧差的火焰前景提取算法

随着计算机视觉技术和模式识别技术的进一步发展,利用图像处理技术识别火焰引起了人们的重视,文中将帧差法和混合高斯模型法相结合,提出了一种新型火焰前景提取算法。接下来根据火焰的静态特征和动态特征,通过火焰频率特征、相关性特征、圆形度特征、色彩特征等,能准确识别出几种不同室内环境下突发的火焰,同时能有效地避免光线移动、人影晃动所造成的干扰,实验结果表明,此算法的识别准确率在90%以上,识别时间大约在5s~20s。     

On-line spectral estimation of nonstationary time series based onAR model parameter estimation and order selection with a forgettingfactor

A new method for on-line spectral estimation of nonstationary time series via autoregressive (AR) model construction is proposed. The method consists of on-line parameter estimation based on the recursive least squares ladder estimation algorithm with a forgetting factor and on-line order determination based on AIC with some modifications. The effectiveness of the proposed method is demonstrated by computer simulation study and applying to the actual data of electroencephalogram (EEG)     

基于线性光谱混合模型的地表温度像元分解方法

以北京市Landsat TM为数据源,提出了一种新的地表温度光谱分解模型(Temperature Unmixing with Spectral,TUS),以期将地表温度的空间分辨率提高到30 m.首先,基于线性光谱混合模型获得地表组分的丰度值.然后,基于温度/植被指数选取典型端元的地表温度.最后,综合地表组分的比辐射率数据实现地表温度的分解.结果表明,TUS模型能够有效地提高地表温度的空间分辨率,反映不同地表组分地表温度的空间差异性,平均绝对误差(MAE)和均方根误差(RMSE)分别为1.25 K和2.27 K,非常适合于复杂地表覆盖地区的地表温度降尺度处理.     

基于GRA-LSTM与SARIMA组合模型的季节性时间序列预测

针对LSTM模型对季节性时间序列中的周期、趋势性变化不敏感的特点,提出将SARIMA模型与LSTM模型进行组合,以提高模型预测精度.该方法首先构建了以关键影响因素为非线性输入层和历史数据为线性输入层的多对一 LSTM模型,将经过GRA法筛选的关键影响因素及历史数据输入到该模型中得到初步预测结果,使用SARIMA模型依据历史数据对季节性时间序列进行预测,提取预测结果中单位节点的比例序列,以实现对时间序列中周期、趋势信息的抽取,最后根据SA-RIMA模型中提取的单位节点比例,对LSTM得到的初步预测结果进行修正,得到最终预测结果.实验选取某市民航春运客流量数据对组合模型精度进行验证,通过与支持向量机、GRA法、GRA-LSTM模型、SARIMA模型4种单模型进行比较,验证了组合模型对于季节性时间序列预测的优越性.     

ARMA spectral estimation of time series with missing observations

The problem of estimating the power spectral density of stationary time series when the measurements are not contiguous is considered. A new autoregressive moving-average (ARMA) method is proposed for this problem, based on nonlinear optimization of a weighted-squared-error criterion. The method can handle either regularly or randomly missing observations. As a special case, the method can handle the problem of missing sample covariances. The computational complexity is modest compared to exact maximum likelihood estimation of the same parameters. The performance of the algorithm is illustrated by some numerical examples and is shown to be statistically efficient in these cases.