CN108052978A - 一种基于支持向量机的ukf相位展开算法 - Google Patents

一种基于支持向量机的ukf相位展开算法 Download PDF

Info

Publication number
CN108052978A
CN108052978A CN201711353678.8A CN201711353678A CN108052978A CN 108052978 A CN108052978 A CN 108052978A CN 201711353678 A CN201711353678 A CN 201711353678A CN 108052978 A CN108052978 A CN 108052978A
Authority
CN
China
Prior art keywords
mrow
msub
pixel
msubsup
mover
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711353678.8A
Other languages
English (en)
Inventor
谢先明
李玉婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Publication of CN108052978A publication Critical patent/CN108052978A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明公开了一种基于支持向量机的UKF相位展开算法，其特征在于：把支持向量机算法与UKF算法相结合应用于缠绕相位图像的展开中，用支持向量机算法实现干涉图像元高低质量像元即非掩膜和掩膜像元的分类，用UKF算法解缠非掩膜像元，掩膜像元和剩余非掩膜像元再次用UKF算法得到其解缠结果。本发明的技术方案可以较好的判别出质量图中高质量像元和低质量像元，从而较好的避免相位解缠过程中低质量像元造成误差传递影响，实现精确，高效，稳健地展开缠绕像元。

Description

一种基于支持向量机的UKF相位展开算法
技术领域
本发明涉及干涉相位图展开技术领域，尤其涉及一种基于支持向量机的UKF相位展开算法。
背景技术
干涉合成孔径雷达(Interferometric synthetic aperture radar,InSAR)技术是结合合成孔径雷达成像技术和干涉测量技术，广泛应用于遥感和测绘的一种雷达技术。其中相位展开是InSAR数据处理过程中极其重要的一步，这是由于InSAR获取的相位信息与真实的相位有着2π整数倍的差值，必须进行相位展开才能得到有效可用的相位。展开相位的精度直接决定后续数字高程模型(DEM)能否准确建立。
近20年来，人们提出了多种相位展开方法，大体可分为两类：路径跟踪法，最小范数法和数据融合的方法。路径跟踪相位展开方法通过沿一定的积分路径对包裹相位图积分，来重建真实的相位轮廓。在进行相位展开时，高质量区域作为优先积分路径区域被优先展开，低质量区域则最后通过积分获得其展开相位。通过这种质量图引导积分路径的方法，可确保相位展开误差被限制在低质量区域，能有效避免误差的积累和传递。作为另一类相位展开方法，最小范数方法则通过全局或局部优化方法，求解出其相位梯度与包裹相位梯度最为逼近的展开相位面。
随后，一类基于数据融合的相位展开算法陆续被提出，包括扩展卡尔曼滤波相位展开算法(EKFPU)、去芳香卡尔曼滤波相位展开算法(UKFPU)、粒子滤波相位展开算法等。这类算法利用非线性滤波器自身具有的噪声抑制能力，可以在展开缠绕像元的同时抑制相位噪声，在一定程度上弥补了传统相位展开算法的不足,但还是存在着误差大，精度低，稳定性差的缺点。
发明内容
针对现有技术的不足，本发明解决的技术问题是如何解决相位展开技术中容易出现误差大，精度低，稳定性差的问题。
为解决上述技术问题，本发明提供的技术方案是一种基于支持向量机的UKF相位展开算法，把支持向量机算法与UKF算法相结合应用于缠绕相位图像的展开中，用支持向量机算法实现干涉图像元高低质量像元即非掩膜和掩膜像元的分类，用UKF算法解缠非掩膜像元，掩膜像元和剩余非掩膜像元再次用UKF算法得到其解缠结果，包括以下步骤：
(1)获取解缠缠绕相位图的数据，具体分步骤如下：
1)获得干涉相位质量图，对干涉图进行处理，获得反映干涉像元质量的二维数据图，即干涉相位质量图，采用的是相位微分偏差图，其定义如下：
其中分别是干涉图距离向和方位向的相位偏导数，是在k×k局部窗口中的相位偏导数的平均值；
2)利用AMPM局部相位梯度估计算法，获取干涉图局部相位梯度信息；
3)计算干涉相位图的残差点图，计算其绝对值。
(2)用支持向量机方法对干涉图中像元进行分类，分成掩膜像元和非掩膜像元，用SVM生成掩膜图，具体分步骤如下：
1)根据像元的属性特征实现非掩模像元和掩模像元分类
根据像元是否为残差点；以此像元为中心，大小为4x4的窗口中包含的残差点数；
根据像元点的相位微分偏差图；以此像元为中心，大小为4x4的窗口中包含的所有像元的平均相位微分偏差图。
本文中，若像元不是残差点，属性值为0，否则为1，其它属性的属性值，即为对属性求值的真实数值。分类结果中，非掩膜像元和掩膜像元分别用0和1表示。
2)选择训练样本和测试样本，
选择800个非掩膜像元和800个掩膜像元，然后从两类像元中各取4OO个像元共800个像元作为训练样本，余下两类各400个像元共800个像元为测试样本。然后对两类样本的属性值做归一化处理，使取值范围为[0 1]。
3)选择支持向量机的核函数和参数，生成分类器
在使用训练样本训练生成支持向量机分类器的过程中，选择使用径向基核函数，训练结果对于核函数的参数并不敏感，但是对于SVM模型类型的选择比较敏感。
4)用测试样本对训练分类器进行测试
用测试样本对训练好的支持向量机分类器测试。
5)对干涉图中所有像元分类生成掩膜图
提取干涉图中所有像元的四个属性及对应的属性值，组成干涉图样本数据集，先对数据集做归一化处理，然后用训练好的支持向量机分类器对此数据集中的每个像元分类，分类结果为0和1分别表示非掩膜像元和掩膜像元，最终生成一幅掩膜图。
(3)用UKF相位解缠算法解缠质量较好的非掩膜像元，掩膜像元和部分剩余未解缠的非掩膜像元的解缠则再次用UKF算法再次解缠，具体分步骤如下：
1)对非掩膜像元用UKF算法进行相位解缠
选取相位质量最高的非边界非掩膜像元作为起始像元，把其缠绕相位作为解缠相位，从与该点相邻的非掩膜像元点中选择质量最高的点进行解缠，查找与已经解缠的点邻接列的点，从中选择质量最高的点进行解缠，直至整幅图像非掩膜像元解缠完毕。
2)对于剩余的掩膜像元和未能解缠的非掩膜像元的解缠
从干涉图中依次查找质量最高的掩膜像元和未能解缠的非掩膜像元，用UKF相位解缠方法进行干涉图的低质量像元相位解缠，直到整幅图像的所有像元解缠结束为止。
所述UKF算法流程如下：
a)利用干涉图相邻像元干涉相位之间的关系，把归一化的复干涉的同向分量和正交分量分别作为干涉相位的两个观测值，沿某一路径可得去芳香卡尔曼滤波(UKF)系统方程：
上式中，x(m,n)表示干涉图(m,n)像元真实干涉相位，和分别为干涉图像(m,n)元和(k,l)像元之间的相位梯度估计值及估计误差，y(m,n)和v(m,n)分别为干涉图(m,n)像元的观测值及其附加噪声；
b)针对上述系统方程，使用去芳香卡尔曼滤波(UKF)算法预测估计，按如下进行：
上式中，干涉图(m,n)像元为待展开像元，(k,l)像元是干涉图(m,n)像元八个邻接像元中的已展开像元，其状态估计及误差方差分别为和χj,(k,l)是(k,l)像元状态估计的Sigma point，ψ为干涉图(m,n)像元的八个邻接像元的集合，是干涉图(k,l)像元信噪比，为干涉图(m,n)像元的Sigmapoint预测值，Q(m,n)(k,l)为干涉图(m,n)像元和(k,l)像元之间的相位梯度估计误差方差，和为相应调节权值系数；
c)对干涉图(m,n)像元进行状态估计，按如下进行：
其中，y(m,n)和分别表示干涉图(m,n)像元观测值和预测值，w(m,n)表示干涉图(m,n)像元增益矩阵，R(m,n)表示干涉图(m,n)像元观测误差方差，和为干涉图(m,n)像元得到的状态估计及误差方差。
为了进一步提高UKF相位展开算法的收敛性，减小待展开像元的展开误差，利用Levenberg-Marquardt方法优化预测过程中的预测估计误差方差
其中，μ表示优化的调节参数；I表示nx维单位矩阵。
采用本发明的技术方案可以较好的判别出质量图中高质量像元和低质量像元，从而较好的避免相位解缠过程中低质量像元造成误差传递影响，实现精确，高效，稳健地展开缠绕像元。
附图说明
图1为本发明的流程图；
图2(a)为模拟金字塔地形场景三维效果图；
图2(b)为为模拟金字塔地形场景真实干涉相位图；
图2(c)为金字塔地形场景的含有噪声缠绕相位图；
图2(d)为相位残差点图；
图3(a)为模拟数据实验中本发明算法展开相位图；
图3(b)为模拟数据实验中本发明算法展开误差统计直方图；
图3(c)为模拟数据实验中本发明算法展开误差图；
图4(a)为实际地形干涉相位图；
图4(b)为实际地形滤波后的干涉相位图；
图4(c)为实际地形滤波后的相位残差图；
图5(a)为实测地形实验中本发明算法相位展开结果图；
图5(b)为实测地形实验中本发明算法重缠绕相位图。
具体实施方式
下面结合附图和实施例对本发明的具体实施方式作进一步的说明，但不是对本发明的限定。
实施例1：
如图1所示，一种基于支持向量机的UKF相位展开算法，把支持向量机算法与UKF算法相结合应用于缠绕相位图像的展开中，用支持向量机算法实现干涉图像元高低质量像元即非掩膜和掩膜像元的分类，用UKF算法解缠非掩膜像元，掩膜像元和剩余非掩膜像元再次用UKF算法得到其解缠结果，包括以下步骤：
(1)获取解缠缠绕相位图的数据，具体分步骤如下：
1)获得干涉相位质量图，对干涉图进行处理，获得反映干涉像元质量的二维数据图，即干涉相位质量图，采用的是相位微分偏差图，其定义如下：
其中分别是干涉图距离向和方位向的相位偏导数，是在k×k局部窗口中的相位偏导数的平均值；
2)利用AMPM局部相位梯度估计算法，获取干涉图局部相位梯度信息；
3)计算干涉相位图的残差点图，计算其绝对值；
(2)用支持向量机方法对干涉图中像元进行分类，分成掩膜像元和非掩膜像元，用SVM生成掩膜图，具体分步骤如下：
1)根据像元的属性特征实现非掩膜像元和掩膜像元分类
根据像元是否为残差点；以此像元为中心，大小为4x4的窗口中包含的残差点数；
根据像元点的相位微分偏差图；以此像元为中心，大小为4x4的窗口中包含的所有像元的平均相位微分偏差图。
本文中，若像元不是残差点，属性值为0，否则为1，其它属性的属性值，即为对属性求值的真实数值。分类结果中，非掩膜像元和掩膜像元分别用0和1表示。
2)选择训练样本和测试样本，
选择800个非掩膜像元和800个掩膜像元，然后从两类像元中各取4OO个像元共800个像元作为训练样本，余下两类各400个像元共800个像元为测试样本。然后对两类样本的属性值做归一化处理，使取值范围为[0 1]。
3)选择支持向量机的核函数和参数，生成分类器
在使用训练样本训练生成支持向量机分类器的过程中，选择使用径向基核函数，训练结果对于核函数的参数并不敏感，但是对于SVM模型类型的选择比较敏感。
4)用测试样本对训练分类器进行测试
用测试样本对训练好的支持向量机分类器测试。
5)对干涉图中所有像元分类生成掩膜图
提取干涉图中所有像元的四个属性及对应的属性值，组成干涉图样本数据集，先对数据集做归一化处理，然后用训练好的支持向量机分类器对此数据集中的每个像元分类，分类结果为0和1分别表示非掩膜像元和掩膜像元，最终生成一幅掩膜图。
(3)用UKF相位解缠算法解缠质量较好的非掩膜像元，掩膜像元和部分剩余未解缠的非掩膜像元的解缠则再次用UKF算法再次解缠，具体分步骤如下：
1)对非掩膜像元用UKF算法进行相位解缠
选取相位质量最高的非边界非掩膜像元作为起始像元，把其缠绕相位作为解缠相位，从与该点相邻的非掩膜像元点中选择质量最高的点进行解缠，查找与已经解缠的点邻接列的点，从中选择质量最高的点进行解缠，直至整幅图像非掩膜像元解缠完毕。
2)对于剩余的掩膜像元和未能解缠的非掩膜像元的解缠
从干涉图中依次查找质量最高的掩膜像元和未能解缠的非掩膜像元，用UKF相位解缠方法进行干涉图的低质量像元相位解缠，直到整幅图像的所有像元解缠结束为止。
所述UKF算法流程如下：
a)利用干涉图相邻像元干涉相位之间的关系，把归一化的复干涉的同向分量和正交分量分别作为干涉相位的两个观测值，沿某一路径可得去芳香卡尔曼滤波(UKF)系统方程：
上式中，x(m,n)表示干涉图(m,n)像元真实干涉相位，和w(m,n)(k,l)分别为干涉图像(m,n)元和(k,l)像元之间的相位梯度估计值及估计误差，y(m,n)和v(m,n)分别为干涉图(m,n)像元的观测值及其附加噪声；
b)针对上述系统方程，使用去芳香卡尔曼滤波(UKF)算法预测估计，按如下进行：
上式中，干涉图(m,n)像元为待展开像元，(k,l)像元是干涉图(m,n)像元八个邻接像元中的已展开像元，其状态估计及误差方差分别为和χj,(k,l)是(k,l)像元状态估计的Sigma point，ψ为干涉图(m,n)像元的八个邻接像元的集合，是干涉图(k,l)像元信噪比，为干涉图(m,n)像元的Sigmapoint预测值，Q(m,n)(k,l)为干涉图(m,n)像元和(k,l)像元之间的相位梯度估计误差方差，和为相应调节权值系数；
c)对干涉图(m,n)像元进行状态估计，按如下进行：
其中，y(m,n)和分别表示干涉图(m,n)像元观测值和预测值，w(m,n)表示干涉图(m,n)像元增益矩阵，R(m,n)表示干涉图(m,n)像元观测误差方差，和为干涉图(m,n)像元得到的状态估计及误差方差。
为了进一步提高UKF相位展开算法的收敛性，减小待展开像元的展开误差，利用Levenberg-Marquardt方法优化预测过程中的预测估计误差方差
其中，μ表示优化的调节参数；I表示nx维单位矩阵。
对于算法的验证实验过程如下：
图2(a)为本发明相位展开方法实施例1所针对的模拟金字塔地形场景的三维效果图；图2(b)为模拟金字塔地形场景真实干涉相位图，其横坐标为距离向像素，纵坐标为方位向像素，灰度表示干涉相位值，单位为弧度；图2(c)为金字塔地形场景的含有噪声缠绕相位图，纵横坐标与图2(b)相同，其信噪比为0.2020dB；图2(d)为相位残差点图。图3(a)为所提出的算法对干涉图相位解缠图，图3(b)为展开误差统计直方图，图3(c)为展开误差。
图4(a)为实施例2所针对的实测干涉相位图，其横坐标为距离向像素，纵坐标为方位向像素，灰度表示干涉相位值，单位为弧度；图4(b)滤波后的干涉相位图；图4(c)为滤波后相位残差点图。图5(a)为用本发明方法对图4(b)的相位展开结果，图5(b)为重缠绕相位图，重缠绕图条纹与原始缠绕相位图条纹的相似程度可以反映本发明方法的有效性，可以看出本发明方法其重缠绕相位图条纹与原始缠绕相位图4(b)条纹一致，可以看出本发明方法在实测数据处理中得到较好的效果。
本发明算法基于一种基于支持向量机的UKF相位展开方法，在模拟数据和实测数据处理实验中对干涉相位图缠绕相位的解缠能得到很好的效果，表明本发明算法的有效性。
以上结合附图对本发明的实施方式做出了详细说明，但本发明不局限于所描述的实施方式。对于本领域技术人员而言，在不脱离本发明的原理和精神的情况下，对这些实施方式进行各种变化、修改、替换和变型仍落入本发明的保护范围内。

Claims (5)

1.一种基于支持向量机的UKF相位展开算法，其特征在于：把支持向量机算法与UKF算法相结合应用于缠绕相位图像的展开中，用支持向量机算法实现干涉图像元高低质量像元即非掩膜和掩膜像元的分类，用UKF算法解缠非掩膜像元，掩膜像元和剩余非掩膜像元再次用UKF算法得到其解缠结果，包括以下步骤：
(1)获取解缠缠绕相位图的数据；
(2)用支持向量机方法对干涉图中像元进行分类，分成掩膜像元和非掩膜像元，用SVM生成掩膜图；
(3)用UKF相位解缠算法解缠质量较好的非掩膜像元，掩膜像元和部分剩余未解缠的非掩膜像元的解缠则再次用UKF算法再次解缠。
2.根据权利要求1所述的基于支持向量机的UKF相位展开算法，其特征在于：步骤(1)中，具体分步骤如下：
1)获得干涉相位质量图，对干涉图进行处理，获得反映干涉像元质量的二维数据图，即干涉相位质量图，采用的是相位微分偏差图，其定义如下：
<mrow> <msub> <mi>&amp;rho;</mi> <mrow> <mi>m</mi> <mo>,</mo> <mi>n</mi> </mrow> </msub> <mo>=</mo> <mfrac> <msqrt> <mrow> <mi>&amp;Sigma;</mi> <msup> <mrow> <mo>(</mo> <msubsup> <mi>&amp;Delta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mi>x</mi> </msubsup> <mo>-</mo> <mover> <msubsup> <mi>&amp;Delta;</mi> <mrow> <mi>m</mi> <mo>,</mo> <mi>n</mi> </mrow> <mi>x</mi> </msubsup> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <mi>&amp;Sigma;</mi> <msup> <mrow> <mo>(</mo> <msubsup> <mi>&amp;Delta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mi>y</mi> </msubsup> <mo>-</mo> <mover> <msubsup> <mi>&amp;Delta;</mi> <mrow> <mi>m</mi> <mo>,</mo> <mi>n</mi> </mrow> <mi>y</mi> </msubsup> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mrow> <mi>k</mi> <mo>&amp;times;</mo> <mi>k</mi> </mrow> </mfrac> </mrow>
其中分别是干涉图距离向和方位向的相位偏导数，是在k×k局部窗口中的相位偏导数的平均值；
2)利用AMPM局部相位梯度估计算法，获取干涉图局部相位梯度信息；
3)计算干涉相位图的残差点图，计算其绝对值。
3.根据权利要求1所述的基于支持向量机的UKF相位展开算法，其特征在于：步骤(2)中，具体分步骤如下：
1)根据像元的属性特征实现非掩模像元和掩模像元分类
根据像元是否为残差点；以此像元为中心，大小为4x4的窗口中包含的残差点数；
根据像元点的相位微分偏差图；以此像元为中心，大小为4x4的窗口中包含的所有像元的平均相位微分偏差图；
本文中，若像元不是残差点，属性值为0，否则为1，其它属性的属性值，即为对属性求值的真实数值；分类结果中，非掩膜像元和掩膜像元分别用0和1表示；
2)选择训练样本和测试样本，
选择800个非掩模像元和800个掩模像元，然后从两类像元中各取4OO个像元共800个像元作为训练样本，余下两类各400个像元共800个像元为测试样本；然后对两类样本的属性值做归一化处理，使取值范围为[0 1]；
3)选择支持向量机的核函数和参数，生成分类器
在使用训练样本训练生成支持向量机分类器的过程中，选择使用径向基核函数，训练结果对于核函数的参数并不敏感，但是对于SVM模型类型的选择比较敏感；
4)用测试样本对训练分类器进行测试
用测试样本对训练好的支持向量机分类器测试；
5)对干涉图中所有像元分类生成掩膜图
提取干涉图中所有像元的四个属性及对应的属性值，组成干涉图样本数据集，先对数据集做归一化处理，然后用训练好的支持向量机分类器对此数据集中的每个像元分类，分类结果为0和1分别表示非掩膜像元和掩膜像元，最终生成一幅掩膜图。
4.根据权利要求1所述的基于支持向量机的UKF相位展开算法，其特征在于：步骤(3)中，具体分步骤如下：
1)对非掩膜像元用UKF算法进行相位解缠
选取相位质量最高的非边界非掩膜像元作为起始像元，把其缠绕相位作为解缠相位，从与该点相邻的非掩膜像元点中选择质量最高的点进行解缠，查找与已经解缠的点邻接列的点，从中选择质量最高的点进行解缠，直至整幅图像非掩膜像元解缠完毕；
2)对于剩余的掩膜像元和未能解缠的非掩膜像元的解缠
从干涉图中依次查找质量最高的掩膜像元和未能解缠的非掩膜像元，用UKF相位解缠方法进行干涉图的低质量像元相位解缠，直到整幅图像的所有像元解缠结束为止。
5.根据权利要求4所述的基于支持向量机的UKF相位展开算法，其特征在于：所述UKF算法流程如下：
a)利用干涉图相邻像元干涉相位之间的关系，把归一化的复干涉的同向分量和正交分量分别作为干涉相位的两个观测值，沿某一路径可得去芳香卡尔曼滤波(UKF)系统方程：
<mrow> <msub> <mi>x</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </msub> <mo>=</mo> <mi>f</mi> <mo>&amp;lsqb;</mo> <msub> <mi>x</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </msub> <mo>&amp;rsqb;</mo> <mo>+</mo> <msub> <mi>w</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </msub> <mo>=</mo> <msub> <mi>x</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </msub> <mo>+</mo> <msub> <mover> <mi>u</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> <mo>|</mo> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </msub> <mo>+</mo> <msub> <mi>w</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> <mo>|</mo> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </msub> </mrow>
<mrow> <msub> <mi>y</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </msub> <mo>=</mo> <mi>h</mi> <mo>&amp;lsqb;</mo> <msub> <mi>x</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </msub> <mo>&amp;rsqb;</mo> <mo>+</mo> <msub> <mi>v</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </msub> <mo>=</mo> <mfenced open = "{" close = "}"> <mtable> <mtr> <mtd> <mrow> <mi>s</mi> <mi>i</mi> <mi>n</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>cos</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>+</mo> <mfenced open = "{" close = "}"> <mtable> <mtr> <mtd> <msub> <mi>v</mi> <mrow> <mn>1</mn> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>v</mi> <mrow> <mn>2</mn> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </mrow> </msub> </mtd> </mtr> </mtable> </mfenced> </mrow>
上式中，x(m,n)表示干涉图(m,n)像元真实干涉相位，和w(m,n)|(k,l)分别为干涉图像(m,n)元和(k,l)像元之间的相位梯度估计值及估计误差，y(m,n)和v(m,n)分别为干涉图(m,n)像元的观测值及其附加噪声；
b)针对上述系统方程，使用去芳香卡尔曼滤波(UKF)算法预测估计，按如下进行：
<mrow> <msub> <mi>&amp;chi;</mi> <mrow> <mn>0</mn> <mo>,</mo> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> </msub> <mo>=</mo> <msub> <mover> <mi>x</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </msub> </mrow>
<mrow> <msub> <mi>&amp;chi;</mi> <mrow> <mn>1</mn> <mo>,</mo> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> </msub> <mo>=</mo> <msub> <mover> <mi>x</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </msub> <mo>+</mo> <msqrt> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <mi>&amp;lambda;</mi> <mo>)</mo> <msub> <mover> <mi>P</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mi>x</mi> <mi>x</mi> <mo>,</mo> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> </msub> </mrow> </msqrt> </mrow>
<mrow> <msub> <mi>&amp;chi;</mi> <mrow> <mn>2</mn> <mo>,</mo> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> </msub> <mo>=</mo> <msub> <mover> <mi>x</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </msub> <mo>-</mo> <msqrt> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <mi>&amp;lambda;</mi> <mo>)</mo> <msub> <mover> <mi>P</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mi>x</mi> <mi>x</mi> <mo>,</mo> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> </msub> </mrow> </msqrt> </mrow>
<mrow> <msub> <mi>d</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </msub> <mo>=</mo> <mfrac> <msup> <mrow> <mo>&amp;lsqb;</mo> <msub> <mover> <mi>P</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mi>x</mi> <mi>x</mi> <mo>,</mo> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> </msub> <mo>&amp;CenterDot;</mo> <mfrac> <mn>1</mn> <mrow> <msub> <mi>SNR</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </msub> </mrow> </mfrac> <mo>&amp;rsqb;</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> <mo>&amp;Element;</mo> <mi>&amp;psi;</mi> </mrow> </munder> <msup> <mrow> <mo>&amp;lsqb;</mo> <msub> <mover> <mi>P</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mi>x</mi> <mi>x</mi> <mo>,</mo> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> </msub> <mo>&amp;CenterDot;</mo> <mfrac> <mn>1</mn> <mrow> <msub> <mi>SNR</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </msub> </mrow> </mfrac> <mo>&amp;rsqb;</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> </mrow> </mfrac> </mrow>
<mrow> <msubsup> <mi>&amp;chi;</mi> <mrow> <mi>j</mi> <mo>,</mo> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </mrow> <mo>-</mo> </msubsup> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> <mo>&amp;Element;</mo> <mi>&amp;psi;</mi> </mrow> </munder> <msub> <mi>d</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </msub> <msub> <mi>&amp;chi;</mi> <mrow> <mi>j</mi> <mo>,</mo> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> </msub> </mrow>
<mrow> <msubsup> <mover> <mi>x</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> </msubsup> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mn>2</mn> </munderover> <msubsup> <mi>b</mi> <mi>j</mi> <mi>m</mi> </msubsup> <msubsup> <mi>&amp;chi;</mi> <mrow> <mi>j</mi> <mo>,</mo> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </mrow> <mo>-</mo> </msubsup> </mrow>
<mrow> <msubsup> <mi>p</mi> <mrow> <mi>x</mi> <mi>x</mi> <mo>,</mo> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </mrow> <mo>-</mo> </msubsup> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mn>2</mn> </munderover> <msubsup> <mi>b</mi> <mi>j</mi> <mi>c</mi> </msubsup> <mo>&amp;lsqb;</mo> <msub> <mi>&amp;chi;</mi> <mrow> <mi>j</mi> <mo>,</mo> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> </msub> <mo>-</mo> <msubsup> <mover> <mi>x</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> </msubsup> <mo>&amp;rsqb;</mo> <mo>&amp;CenterDot;</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <msub> <mi>&amp;chi;</mi> <mrow> <mi>j</mi> <mo>,</mo> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> </msub> <mo>-</mo> <msubsup> <mover> <mi>x</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> </msubsup> <mo>&amp;rsqb;</mo> </mrow> <mi>T</mi> </msup> <mo>+</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> <mo>&amp;Element;</mo> <mi>&amp;psi;</mi> </mrow> </munder> <msub> <mi>d</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </msub> <msub> <mi>Q</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> <mo>|</mo> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </msub> </mrow>
上式中，干涉图(m,n)像元为待展开像元，(k,l)像元是干涉图(m,n)像元八个邻接像元中的已展开像元，其状态估计及误差方差分别为和χj,(k,l)是(k,l)像元状态估计的Sigma point，ψ为干涉图(m,n)像元的八个邻接像元的集合，是干涉图(k,l)像元信噪比，为干涉图(m,n)像元的Sigma point预测值，Q(m,n)|(k,l)为干涉图(m,n)像元和(k,l)像元之间的相位梯度估计误差方差，和为相应调节权值系数；
c)对干涉图(m,n)像元进行状态估计，按如下进行：
<mrow> <msubsup> <mover> <mi>y</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> </msubsup> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mn>2</mn> </munderover> <msubsup> <mi>b</mi> <mi>j</mi> <mi>m</mi> </msubsup> <mi>h</mi> <mo>&amp;lsqb;</mo> <msubsup> <mover> <mi>x</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> </msubsup> <mo>&amp;rsqb;</mo> </mrow>
<mrow> <msubsup> <mi>p</mi> <mrow> <mi>y</mi> <mi>y</mi> <mo>,</mo> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </mrow> <mo>-</mo> </msubsup> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mn>2</mn> </munderover> <msubsup> <mi>b</mi> <mi>j</mi> <mi>c</mi> </msubsup> <mo>{</mo> <mi>h</mi> <mo>&amp;lsqb;</mo> <msubsup> <mover> <mi>x</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> </msubsup> <mo>&amp;rsqb;</mo> <mo>-</mo> <msubsup> <mover> <mi>y</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> </msubsup> <mo>}</mo> <mo>&amp;CenterDot;</mo> <msup> <mrow> <mo>{</mo> <mi>h</mi> <mo>&amp;lsqb;</mo> <msubsup> <mover> <mi>x</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> </msubsup> <mo>&amp;rsqb;</mo> <mo>-</mo> <msubsup> <mover> <mi>y</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> </msubsup> <mo>}</mo> </mrow> <mi>T</mi> </msup> <mo>+</mo> <msub> <mi>R</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </msub> </mrow>
<mrow> <msubsup> <mi>p</mi> <mrow> <mi>x</mi> <mi>y</mi> <mo>,</mo> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </mrow> <mo>-</mo> </msubsup> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mn>2</mn> </munderover> <msubsup> <mi>b</mi> <mi>j</mi> <mi>c</mi> </msubsup> <mo>&amp;lsqb;</mo> <msubsup> <mi>&amp;chi;</mi> <mrow> <mi>j</mi> <mo>,</mo> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </mrow> <mo>-</mo> </msubsup> <mo>-</mo> <msubsup> <mover> <mi>x</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> </msubsup> <mo>&amp;rsqb;</mo> <mo>&amp;CenterDot;</mo> <msup> <mrow> <mo>{</mo> <mi>h</mi> <mo>&amp;lsqb;</mo> <msubsup> <mover> <mi>x</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> </msubsup> <mo>&amp;rsqb;</mo> <mo>-</mo> <msubsup> <mover> <mi>y</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> </msubsup> <mo>}</mo> </mrow> <mi>T</mi> </msup> </mrow>
<mrow> <msub> <mi>w</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </msub> <mo>=</mo> <msubsup> <mi>p</mi> <mrow> <mi>x</mi> <mi>y</mi> <mo>,</mo> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </mrow> <mo>-</mo> </msubsup> <mo>/</mo> <msubsup> <mi>p</mi> <mrow> <mi>y</mi> <mi>y</mi> <mo>,</mo> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </mrow> <mo>-</mo> </msubsup> </mrow>
<mrow> <msub> <mover> <mi>x</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </msub> <mo>=</mo> <msubsup> <mover> <mi>x</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> </msubsup> <mo>+</mo> <msub> <mi>w</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </msub> <mo>&amp;lsqb;</mo> <msub> <mi>y</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </msub> <mo>-</mo> <msubsup> <mover> <mi>y</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> </msubsup> <mo>&amp;rsqb;</mo> </mrow>
<mrow> <msub> <mover> <mi>p</mi> <mo>&amp;RightArrow;</mo> </mover> <mrow> <mi>x</mi> <mi>x</mi> <mo>,</mo> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </mrow> </msub> <mo>=</mo> <msubsup> <mi>p</mi> <mrow> <mi>x</mi> <mi>x</mi> <mo>,</mo> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </mrow> <mo>-</mo> </msubsup> <mo>-</mo> <msub> <mi>w</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </msub> <msubsup> <mi>p</mi> <mrow> <mi>x</mi> <mi>y</mi> <mo>,</mo> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </mrow> <mo>-</mo> </msubsup> <msubsup> <mi>w</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mi>T</mi> </msubsup> </mrow>
其中，y(m,n)和分别表示干涉图(m,n)像元观测值和预测值，w(m,n)表示干涉图(m,n)像元增益矩阵，R(m,n)表示干涉图(m,n)像元观测误差方差，和为干涉图(m,n)像元得到的状态估计及误差方差。
CN201711353678.8A 2017-10-17 2017-12-15 一种基于支持向量机的ukf相位展开算法 Pending CN108052978A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2017109686053 2017-10-17
CN201710968605 2017-10-17

Publications (1)

Publication Number Publication Date
CN108052978A true CN108052978A (zh) 2018-05-18

Family

ID=62132664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711353678.8A Pending CN108052978A (zh) 2017-10-17 2017-12-15 一种基于支持向量机的ukf相位展开算法

Country Status (1)

Country Link
CN (1) CN108052978A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109059911A (zh) * 2018-07-31 2018-12-21 太原理工大学 一种gnss、ins和气压计的数据融合方法
CN109472834A (zh) * 2018-10-23 2019-03-15 桂林电子科技大学 一种基于小波变换的卡尔曼滤波相位展开方法
CN114187533A (zh) * 2022-02-15 2022-03-15 西南交通大学 一种基于随机森林时序分类的GB-InSAR大气改正方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102622600A (zh) * 2012-02-02 2012-08-01 西南交通大学 基于面像与眼动分析的高速列车驾驶员警觉度检测方法
WO2012140601A1 (en) * 2011-04-13 2012-10-18 Bar-Ilan University Anomaly detection methods, devices and systems
CN103620444A (zh) * 2011-03-22 2014-03-05 天宝导航有限公司 使用用于重新收敛的电离层桥接的gnss信号处理
CN104849714A (zh) * 2015-05-29 2015-08-19 桂林电子科技大学 一种高效稳健的多基线ukf相位展开方法
CN105783909A (zh) * 2014-12-26 2016-07-20 中国科学院沈阳自动化研究所 一种基于ukf和pso-svm的hov混合水下导航定位方法
US20170181677A1 (en) * 2015-12-28 2017-06-29 Medtronic Minimed, Inc. Methods, systems, and devices for sensor fusion
CN107193005A (zh) * 2017-06-16 2017-09-22 桂林电子科技大学 一种无损卡尔曼滤波与粒子滤波相结合的相位展开算法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103620444A (zh) * 2011-03-22 2014-03-05 天宝导航有限公司 使用用于重新收敛的电离层桥接的gnss信号处理
WO2012140601A1 (en) * 2011-04-13 2012-10-18 Bar-Ilan University Anomaly detection methods, devices and systems
CN102622600A (zh) * 2012-02-02 2012-08-01 西南交通大学 基于面像与眼动分析的高速列车驾驶员警觉度检测方法
CN105783909A (zh) * 2014-12-26 2016-07-20 中国科学院沈阳自动化研究所 一种基于ukf和pso-svm的hov混合水下导航定位方法
CN104849714A (zh) * 2015-05-29 2015-08-19 桂林电子科技大学 一种高效稳健的多基线ukf相位展开方法
US20170181677A1 (en) * 2015-12-28 2017-06-29 Medtronic Minimed, Inc. Methods, systems, and devices for sensor fusion
CN107193005A (zh) * 2017-06-16 2017-09-22 桂林电子科技大学 一种无损卡尔曼滤波与粒子滤波相结合的相位展开算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHUQING JIANG 等: "GPS/INS integrated navigation based on UKF and simulated annealing optimized SVM", 《2013 IEEE 78TH VEHICULAR TECHNOLOGY CONFERENCE (VTC FALL)》 *
何儒云 等: "基于支持向量机的InSAR干涉图相位解缠法", 《系统仿真学报》 *
肖枫: "InSAR相位解缠算法的研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109059911A (zh) * 2018-07-31 2018-12-21 太原理工大学 一种gnss、ins和气压计的数据融合方法
CN109472834A (zh) * 2018-10-23 2019-03-15 桂林电子科技大学 一种基于小波变换的卡尔曼滤波相位展开方法
CN109472834B (zh) * 2018-10-23 2023-04-14 桂林电子科技大学 一种基于小波变换的卡尔曼滤波相位展开方法
CN114187533A (zh) * 2022-02-15 2022-03-15 西南交通大学 一种基于随机森林时序分类的GB-InSAR大气改正方法

Similar Documents

Publication Publication Date Title
CN107193005A (zh) 一种无损卡尔曼滤波与粒子滤波相结合的相位展开算法
CN102426019B (zh) 一种无人机景象匹配辅助导航方法及系统
CN108052978A (zh) 一种基于支持向量机的ukf相位展开算法
CN113870343B (zh) 相对位姿标定方法、装置、计算机设备和存储介质
CN102982555B (zh) 基于自适应流形粒子滤波的制导红外小目标跟踪方法
CN105761214A (zh) 基于轮廓波变换与引导滤波的遥感图像融合方法
CN107230218A (zh) 用于生成对从安装在运载工具上的摄像机捕捉的图像导出的估计的置信度测量的方法和设备
CN104537355B (zh) 一种利用图像边界信息和区域连通性的显著对象检测方法
KR101787542B1 (ko) 3차원 지형 모델과 토질 분류를 이용한 비탈면 안정성 평가 시스템 및 방법
CN111354043A (zh) 一种基于多传感器融合的三维姿态估计方法及装置
CN103927758B (zh) 一种基于对比度与角点最小凸包的显著性检测方法
CN103454636B (zh) 基于多像素协方差矩阵的差分干涉相位估计方法
CN106570886A (zh) 一种基于超分辨率重建的目标跟踪方法
CN104599286A (zh) 一种基于光流的特征跟踪方法及装置
CN107607091A (zh) 一种测量无人机飞行航迹的方法
CN110456352A (zh) 一种基于相干系数阈值的冰川识别方法
CN110232683A (zh) 一种基于无人机点云的滑坡检测方法
CN105844637A (zh) 基于非局部cv模型的sar图像变化检测方法
CN105719253A (zh) 一种嵌入堆排序的卡尔曼滤波相位展开方法
CN106932773B (zh) 基于修正嵌入式容积卡尔曼滤波的相位展开算法
CN105354863A (zh) 基于特征滤波和快速运动检测模板预测的自适应尺度图像序列目标跟踪方法
CN102903078B (zh) 一种基于多分辨率傅里叶分析理论的运动模糊图像参数估计方法
CN110706253B (zh) 基于表观特征和深度特征的目标跟踪方法、系统、装置
CN113589286A (zh) 基于D-LinkNet的无迹卡尔曼滤波相位解缠方法
CN104849714A (zh) 一种高效稳健的多基线ukf相位展开方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180518