基于GPS多星三频数据融合的GNSS-IR土壤湿度反演方法

土壤湿度的监测是全球卫星导航系统干涉测量法（GNSS-IR）的关键应用之一。传统的GNSS-IR土壤湿度反演方法一般只针对单颗卫星的单一频段，未充分利用不同轨道、不同频率卫星信号的差异性与互补性。针对此问题，提出了一种将GPS多星的L1、L2和L5频段数据加权融合进行联合反演的方法，该方法利用基于最小方差的自适应融合算法得到加权因子，并通过现场实验进行了方法验证。结果表明:在测试集上所提出的反演方法相比于传统的Larson方法，相关系数提高了24.69%，均方根误差下降了22.28%，与均值融合法相比，相关系数提高了26.77%，均方根误差下降了23.26%，证明了所提方法能有效提高反演精度。      

GNSS-IR双频数据融合的土壤湿度反演方法

目前全球导航卫星系统反射信号干涉测量（GNSS-IR）土壤湿度反演研究仅针对单一频点展开,提出用熵值法将2个频点数据进行融合以改进土壤湿度反演精度。首先,利用频谱分析法分别解析出各频点的信噪比（SNR）序列的振荡频率,计算出对应的等效天线高度,并利用最小二乘法求解各频点信噪比序列相位;然后,通过熵值法进行2个频点的相位观测量融合;最后,利用融合结果与实测土壤湿度建立经验模型,实现土壤湿度反演。利用地基观测实验获得的全球定位系统（GPS）L1和L2信噪比数据对该方法进行了验证,结果表明:L1和L2双频融合反演结果平均标准差为0.6%,比L1单频反演结果提高64.73%,比L2单频反演结果提高32.12%;均方根误差为0.37%,比L1频点降低72.8%,比L2频点降低73.4%。      

基于TechDemoSat-1卫星的GPS反射信号海面高度反演

针对星载GPS反射信号（GPS-R）海面测高的误差问题，基于星载GPS-R实测数据进行星载海面测高模型和误差修正模型的研究，并验证其有效性。利用TechDemoSat-1（TDS-1）数据，使用时延多普勒图（DDM）海面高度反演技术，着重分析了星载GPS-R海面高度反演中的各类误差，并建立了相应的误差模型。对星载GPS-R海面高度反演模型进行优化，采用DTU15全球平均海面模型、DTU全球海潮模型验证反演精度。结果证明:优化后反演模型得到的全球海面高度反演结果的平均绝对误差（MAD）为6.05 m，精度提高了约29%，有效提高了海面高度反演的精度。研究成果对于推广星载GNSS反射信号（GNSS-R）的海面测高应用具有一定的意义。      

SVRM辅助的北斗GEO卫星反射信号土壤湿度反演方法

提出了一种支持向量回归机(SVRM)辅助的北斗地球静止轨道(GEO)卫星反射信号土壤湿度反演方法。使用全球导航卫星系统反射信号(GNSS-R)右旋圆极化(RHCP)天线和左旋圆极化(LHCP)天线接收体制进行了地基实验,采集了北斗GEO卫星直射、反射信号原始数据,并从中提取直射、反射信号的相关功率,结合北斗GEO卫星的高度角与方位角信息作为输入,烘干称重法获取的土壤湿度作为输出对使用径向基(RBF)核函数的ε-SVRM进行了训练。独立测试集上的结果表明,SVRM辅助的北斗GEO卫星反射信号土壤湿度反演方法获取的土壤湿度结果与烘干称重法获取的土壤湿度参考值误差控制在3%以内,线性回归方程决定系数为0.897 9,均方根误差RMSE为1.492 6%,证明了该方法具有良好的泛化特性,实际应用中效果良好。      

基于量子万有引力搜索的SVM自驾故障诊断

针对自动驾驶仪在实际测试过程中故障样本较少的情况,提出一种基于量子万有引力搜索算法(QGSA)的支持向量机(SVM)故障诊断模型。SVM能较好地解决小样本、非线性问题,适用于自动驾驶仪的故障诊断。为进一步提高万有引力搜索算法(GSA)对参数寻优的收敛速度和收敛精度,将基于GSA的QGSA应用于SVM的参数寻优中,以解决SVM由于参数选取不当导致过学习或欠学习的问题,从而获得最优的分类模型。通过模拟实验分析,当训练样本数量为50时,基于QGSA的SVM故障诊断模型分类准确率便能达到96.530 6%,而基于遗传算法(GA)的SVM故障诊断模型分类准确率为92.040 8%,基于GSA的SVM故障诊断模型分类准确率为91.632 7%。仿真实验结果表明,基于QGSA的SVM故障诊断模型具有更好的故障诊断能力。      

基于SVM和EKF的高超声速滑翔飞行器轨迹预报

高超声速滑翔飞行器（HGV）拦截问题中，轨迹预报是成功拦截的重要基础。针对HGV机动能力强、轨迹多变的特点，提出了一种基于支持向量机（SVM）和扩展卡尔曼滤波（EKF）的轨迹预报方法。在HGV的滑翔段机动模式分析的基础上，将HGV的机动运动分解为纵向运动模式和侧向运动模式，进而对运动模式的特征参数予以标定，形成SVM的训练集。建立地基单雷达轨迹跟踪模型，采用EKF对HGV滑翔段轨迹进行稳定跟踪并实现对运动模式特征参数的估计。基于SVM，建立了HGV运动识别框架，实现了对HGV滑翔段轨迹的预报。对平衡滑翔和跳跃机动2种典型机动模式进行数学仿真验证，结果表明，所提方法可以提高对该类目标的轨迹预报精度。      

地基Fabry-Perot中高层大气风速反演及误差分析

基于子午工程地基法布里-帕罗干涉仪（Fabry-Perot Interferometer,FPI）的气辉观测数据,结合地基独特的观测模式（天顶角为0° 的天顶方向和天顶角为45°的东西北南四个方向）对地基中高层大气风速进行反演,包括数据预处理、干涉环圆心确定、干涉环半径计算和风速反演. 将2010年5月6-13日8天十个环（十个干涉环同时参与反演）的反演结果与地基FPI风速实测数据进行比较,得到557.7nm,630.0nm,892.0nm三种谱线气辉的反演平均偏差分别为2.7m·s-1,5.5m·s-1,7.7m·s-1. 此外,基于反演算法对上述反演精度影响因素进行了分析. 研究发现,气辉辐射强度对风速的反演精度影响较大,气辉辐射越强,外环的半径计算精度越高,可参与的反演环数越多,则最终的风速反演精度越高. 而圆心偏差± 2pixel（五个环）和± 1pixel（十个环）及焦距变化（±10mm）对风速反演精度的影响相对较小,但当超出这一偏差范围,风速反演偏差会迅速增大.      

CYGNSS/SMAP数据融合半经验模型的土壤湿度反演

星载GNSS反射信号(GNSS-R)的土壤湿度反演易受陆地多变环境因素影响，目前，对于星载GNSS-R土壤湿度反演中误差分析及反演模型外推性能分析较少。综合多种误差修正模型，包括GNSS卫星发射功率误差、植被和地表粗糙度对反射信号强度的衰减，通过修正提高陆地点反射率的准确性，建立了反射率-土壤湿度的CYGNSS/SMAP数据融合的反演半经验模型。实现了一年高精度外推反演，反演偏差为-0.003 7 cm³/cm³，均方根误差(RMSE)为0.026 4 cm³/cm³，相关系数为0.963 6。提出了分季节的外推模型，提高了低含水量季节的外推精度。实验区域的经度为90°E～130°E，纬度为20°N～38°N，利用2019年10月至2020年9月的CYGNSS/SMAP数据进行训练，外推2020年10月至2021年9月的土壤湿度。经误差模型修正反射率后，模型的反演偏差提升6.80%，均方根误差提升3.30%。针对实验区域内冬、春季土壤含水量较低时反演精度差的问题，提出了同季节外推的分季节训练模型，相...     

基于SVM的低空飞行冲突探测改进模型

为保障通航飞行器在低空空域的飞行安全,提出了一种基于支持向量机（SVM）的飞行冲突探测改进模型。首先,建立适应于飞行器的保护区。然后,利用改进型ID3决策树算法将搜索空间降低到局部的方法筛选具有潜在飞行冲突的飞行器,并利用随机森林（RF）选择合适训练集。最后,利用tanh函数优化容易饱和的sigmoid函数对SVM分类结果的概率映射。通过仿真验证和对比分析,结果表明:利用基于密度聚类的DBSACN算法去除异常点,将剔除产生误报和虚报的数据作为训练集优化SVM分类器,改进的飞行冲突探测模型的误报率和虚报率分别降低了0.6%和1.9%,算法执行效率得到提高,而且具有较好的抗干扰能力与稳定性。      

Accuracy analysis of GNSS-IR snow depth inversion algorithms

In recent years, with the continuous development of Global Navigation Satellite System (GNSS), it has been applied not only to navigation and positioning, but also to Earth surface environment monitoring. At present, when performing GNSS-IR (GNSS Interferometric Reflectometry) snow depth inversion, Lomb-Scargle Periodogram (LSP) spectrum analysis is mainly used to calculate the vertical height from the antenna phase center to the reflection surface. However, it has the problem of low identification of power spectrum analysis, which may lead to frequency leakage. Therefore, Fast Fourier Transform (FFT) spectrum analysis and Nonlinear Least Square Fitting (NLSF) are introduced to calculate the vertical height in this paper. The GNSS-IR snow depth inversion experiment is carried out by using the observation data of P351 station in PBO (Plate Boundary Observatory) network of the United States from 2013 to 2016. Three algorithms are used to invert the snow depth and compared with the actual snow depth provided by the station 490 in the SNOTEL network. The observations data of L1 and L2 bands are respectively used to find the optimal combination between different algorithms further to improve the accuracy of GNSS-IR snow depth inversion. For L1 band, different snow depths correspond to different optimal algorithms. When the snow depth is less than 0.8 m, the inversion accuracy of NLSF algorithm is the highest. When the snow depth is greater than 0.8 m, the inversion accuracy of FFT algorithm is higher. Therefore, according to the different snow depth, a combined algorithm of NLSF + FFT is proposed for GNSS-IR snow depth inversion. Compared with the traditional LSP algorithm, the inversion accuracy of the combined algorithm is improved by 10%. For L2 band data, the results show that the accuracy of snow depth inversion of various algorithms do not change with the variations of snow depth. Among the three single algorithms, the inversion accuracy of FFT algorithm is better than that of LSP and NLSF algorithms.     

基于改进极限学习机的光谱定量建模方法

依据近红外光谱(NIR)产生原理,提出了粒子群优化极限学习机(PSO-ELM)算法,运用于小样本氨水浓度定量分析。通过优化极限学习机(ELM)隐藏节点参数,解决了极限学习机由于输入权值和隐含层偏差随机产生的建模结果具有随机性的问题,提高了预测模型的稳定性、精确度和泛化性能。经实验验证,优化后的PSO-ELM相比ELM,模型预测集均方根误差由0.01166减小至0.00322,预测集相关系数由0.9951提高至0.9979。将优化后的模型预测结果与支持向量机(SVM)、BP神经网络算法等传统方法的建模结果进行对比,优化后的PSO-ELM算法具有较高的精确度和良好的泛化性能,模型预测效果优于传统的定量回归分析算法。     

基于卷积神经网络的遥感图像舰船目标检测

针对遥感图像背景复杂、受环境因素影响大的问题,提出一种将卷积神经网络(CNN)与支持向量机(SVM)相结合的舰船目标检测方法,利用卷积神经网络可自主提取图像特征并进行学习的优点,避免了复杂的特征选择和提取过程,在复杂海况背景图像的处理中体现出较优的性能;同时,由于军舰样本获取难度大,应用迁移学习的概念,利用大量民船样本辅助军舰目标的检测,取得较好的效果。通过参数调整与实验验证,此方法在自行建立的测试集上检测率达到90.59%,对光照、环境等外界因素具有一定程度的鲁棒性。     

航空液压泵磨损状况预测

磨损是航空液压泵典型的渐进性故障之一,因磨损量难以测量,对磨损状况进行准确的预测比较困难.针对上述问题,提出了基于多尺度数据的支持向量机预测方法,该方法将支持向量机用于时间序列预测的基本理论和数据多尺度分解、相空间重构方法结合,能更有效地挖掘时间序列的内在联系及变化规律.采用回油流量作为反映航空液压泵磨损状况的敏感信号,将其分解为趋势项和随机项,采用多尺度支持向量机作等维信息一步预测和多步预测,利用网格方法对预测模型参数寻优.对比传统支持向量机算法分析其预测精度,结果表明:多尺度支持向量机模型预测精度更高,适于中长期预测.