排序方式: 共有51条查询结果,搜索用时 15 毫秒
1.
2.
粗差探测是评价船载重力测量数据成果质量的重要内容。卫星测高反演重力场技术提供了海域全覆盖的重力场数值模型,其精度水平已满足探测船载重力测量数据粗差的精度要求。以卫星测高反演重力场模型为基础,提出了基于窗口移动中误差模型探测船载重力测量粗差的数据处理方法,其基本思路是:以卫星测高反演重力场数值模型作为背景场,计算船载重力测点处的测高重力值的差值,以差值作为输入量,等权构建中误差背景场,以开窗中误差背景场作为参考,按照平差思想探测船载重力测量数据的粗差。实验结果表明,依据本文方法能有效探测船载重力测量数据的粗差。 相似文献
3.
4.
5.
6.
利用Bayes估计进行多波束测深异常数据探测 总被引:1,自引:1,他引:0
在海底地形变化连续、平缓的假设条件下,基于Bayes估计理论提出了多波束测深异常数据探测方法,并与选权迭代加权平均滤波法进行了分析和比较。结果证明,该方法可以解决测深异常值判断标准可靠性的问题,而且能合理、有效地探测出异常值。 相似文献
7.
海表盐度(Sea Surface Salinity,SSS)是研究海洋对全球气候影响的重要参量,欧洲航天局(European Space Agency,ESA)设计研发的SMOS(Soil Moisture and Ocean Salinity)是专用于探测海水盐度的卫星之一。受射频干扰(Radio Frequency Interference, RFI)等因素的影响,SMOS卫星盐度产品的精度难以达到预期效果。为了提高SMOS卫星海表盐度产品精度,本文提出一种基于深度神经网络的海表盐度反演算法。以太平洋中部海域(150°E~180°,5°~30°N)为研究区域,利用Argo浮标实测盐度数据为参考真值,将SMOS卫星L1C、L2级产品与Argo盐度数据进行时空匹配。并根据海洋遥感和辐射传输理论,选取亮温(Brightness Temperature,TB)、海表温度(Sea Surface Temperature,SST)、降雨率(Rain Rate,RR)、波高(Significant Wave Height,SWH)、纬向风速(Zonal Wind Speed,ZWS)、经向风速(Meridional Wind Speed,MWS)和蒸发量(Evaporation,Eva)七个影响盐度的重要参数,利用K折交叉验证法,构建了深度神经网络(Deep Neural Network, DNN)模型,对SMOS卫星L2级数据进行反演。实验结果表明,利用本文算法计算得到的海表盐度数据平均绝对误差为0.159,均方根误差为0.195,均明显优于SMOS盐度产品精度,本文提出的算法能够提供更精准的海表盐度产品。 相似文献
8.
9.
10.
针对经典Kalman滤波无法直接处理有色噪声的问题,采用多项式长除法将有色观测噪声模型展开成无穷级数,截断取其有限项获得有色噪声的先验信息,然后利用粒子滤波能够处理非高斯噪声的特点对有色观测噪声进行处理.通过一个GPS定位算例,将此新方法与观测扩增方法进行了分析和比较.结果证明,利用该方法能有效地控制有色观测噪声的影响. 相似文献