多光谱辐射测温数据处理技术研究

分别用BP神经网络和支持向量机(SVM)两种方法建立相应的网络模型对多光谱辐射测温的测量数据进行处理以得到真实温度。用合适的训练样本分别对两种方法建立的模型进行训练,收敛之后用验证样本测试其精度。结果表明用支持向量机处理多光谱辐射测温数据是可以满足实际要求的,与BP神经网络相比精度更高,而且由于支持向量机对训练样本需求较小,进一步增加了工程可行性。     

基于SVM/LDA的SAR图像目标鉴别方法

提出一种基于主成分分析和支持向量机与线性判别分析结合算法的合成孔径雷达(synthetic aperture radar,SAR)图像目标鉴别方法.利用主成分分析算法对SAR图像向量进行降维并提取其全局特征,对降维后的全局特征采用最小类内散度支持向量机算法进行变换,并对变换结果训练生成最佳分类器,进行分类完成目标鉴别.实验结果表明该方法可以获得较高的分类正确率.     

基于主成分——支持向量机的用水量预测

利用主成分分析消除变量间的多重共线性,对数据实现降维;利用支持向量机对提取的主成分进行非线性逼近,充分发挥两者的优点。算例表明主成分一支持向量机模型具有很高的精度。     

基于聚类的模糊支持向量机入侵检测算法

为了提高模糊支持向量机在入侵检测数据集上的训练效率,提出了一种基于聚类的模糊支持向量机入侵检测算法.该方法可以对训练数据进行剪枝,有效地减少远离分类面的聚类边缘点的数量,同时在分类面附近保持较多的样本点,以靠近判别边界的聚类中心集合作为有效的训练样本集合对模糊支持向量机进行训练,减少了样本的训练时间,提高了算法的效率.实验结果表明该方法提高了模糊支持向量机的训练效率,而且对入侵检测是非常有效的.     

支持向量机在高光谱图像分类中的特性研究

运用支持向量机算法在解决遥感数据的分类问题上已经得到了普遍的认可,并进一步的向更深一个层面发展。本文分别针对惩罚参数C、权重参数W、训练样本数量N三个相关参数进行了多组对比实验研究,并对高光谱数据分类过程中支持向量机内部参数在分类中体现的特性进行了总结分析。     

基于面向对象随机森林算法的主被动遥感协同实现农作物自动识别

以Sentinel-1/2哨兵卫星获取的雷达和多光谱遥感影像为数据源,提取多时相光谱反射和微波后向散射特征变量,基于面向对象的随机森林算法对吉林省扶余市水稻、玉米和大豆分类,并与支持向量机算法比较,综合评估基于多源遥感数据的面向对象随机森林算法对大范围农作物自动识别的适用性。结果表明：利用多时相多源遥感数据能够有效提高作物分类精度。面向对象随机森林算法的分类总体精度为87.32%,高于支持向量机算法9.82%。利用面向对象随机森林算法结合多时相主被动遥感特征变量能够准确地自动识别大范围农作物,可为作物种植面积调查与产量估值提供重要的支撑。     

大数据环境下的网络主动入侵检测方法研究

由于传统网络入侵检测方法检测率低及不能进行在线检测,无法有效实现网络主动入侵检测,提出一种基于马氏距离K均值的大数据环境下网络主动入侵检测方法,分析了马氏距离的评价准则,依据新样本与原样本之间的马氏距离确定是否需开展新的聚类,输出与全部数据样本相应的攻击类别。通过一个由一定数量的支持向量决定的超平对数据进行分类,当SVM分离方法受到约束时,利用核函数将输入数据映射至高维特征空间,采用高斯径向基函数对最小二乘支持向量机分类模型进行建立。通过粒子群优化算法对最小二乘支持向量机参数进行选择。利用种群中个体之间的协作以及信息交换获取最佳方案。仿真实验结果表明,所提方法有很高的的检测效率及精度。     

基予时间序列MODIS/EVI的几种土地覆盖分类方法比较

本文选取河南省全年MODIS/EVI数据,进行土地覆盖分类。通过分析河南省的种植制度,然后结合地物波谱特征、物候规律,统计数据,非监督分类结果、相关专题图,采用最大似然分类、最小距离分类和支持向量机三种分类方法进行分类。每种方法又对主成分未标准化和标准化后的数据进行了对比。结果显示,支持向量机的分类结果精度最大,效果最好。表明MODIS数据可以利用高时间分辨率弥补其空间分辨率的不足得到较高精度的土地覆盖分类结果。     

基于GF-2与LandSat-8影像的土地覆盖分类比较

基于GF-2与Land Sat-8影像数据,利用支持向量机分类器(SVM)对同区域同期两种数据进行土地利用覆盖分类对比研究。结果表明:典型样本的光谱比较接近,但在农田与林地、不透水面与裸土的典型样本可分离性方面,Land Sat-8优于GF-2;GF-2与Land Sat-8的分类总精度分别为92.25%和92.06%,但不同地物类型的分类精度存在差异,波谱响应函数的差异可能是导致Land Sat-8对林地的分类精度高于GF-2的原因;此外,GF-2对零碎分布地物类型的分类精度高于Land Sat-8,主要原因是GF-2具有更高的空间分辨率。     

基于流形学习的视频中文文本检测算法

提出了一种基于流形学习的视频中文文本检测算法.算法重点针对文本图像和非文本图像的特征提取、流形降维、分类器训练等关键部分进行了改进,对人为收集的文本图像样本与非文本图像样本进行特征提取,并使用等距离映射的流形学习算法来完成特征降维,最后使用支持向量机来完成分类器训练,获取文本与非文本检测分类器,完成视频中文文本检测.实验结果表明,算法具有明显优越性,在检测可靠性和准确度上有较大提高,具有一定的实用意义.     

一种改进的SVM算法在决策分析中的应用

决策支持系统是跨学科的综合体系,涉及机器学习理论。支持向量机是近几年发展起来的学习方法,它是利用最优分类面（线）将两类样本在特征空间或输入空间中无错误地分开,而且要使两类的分类空隙最大。然而当两类中的样本数量差剐悬殊时,支持向量机的分类能力会下降。为了解决此问题,本文提出了一种改选的支持向量机算法,在所开发的医学决策支持系统上的应用表明,此方法在解决两类样本数量十分不均衡问题时有着很强的分类能力,不失为一种有效的决策分析工具。     

基于支持向量机的遥感影像分类

遥感影像分类是提取遥感信息的基础步骤与重要手段,然而由于影像分辨率以及同谱异物与同物异谱现象,传统的分类方法难以实现高精度的分类。基于智能算法的非参数分类方法已开始应用于遥感分类中。本文以佛山市为研究区,对其遥感影像采用支持向量机方法进行土地利用覆盖分类研究,并对分类结果进行精度评价。结果表明:支持向量机分类有较高的精度,是遥感影像分类的有效方法。     

基于遗传优化SVM文本图像识别算法研究

提出一采用遗传优化支持向量机的文本图像识别方法.改进的思路为首先采用图像采集设备获得图像,并进行预处理,然后提取字符的特征向量,采用主成分分析对特征向量进行降维处理,最后采用遗传优化的支持向量机进行字符识别.实验结果表明,提出的方法使得文本图像识率达到97％以上.     

人工嗅觉支持向量分类器及其应用

由于气体具有易扩散和易混合的特点,在人工嗅觉识别过程中,存在训练样本少和分类器建立困难的问题,为此,采用支持向量机这一基于小样本统计学习理论建立非线性分类器的学习算法.针对样本数目偏少的实际情况,建立了一种人工嗅觉分类器,并对好、坏、仿坏三种类别的甘草进行了分类验证.结果表明,支持向量机应用于人工嗅觉,能够取得比较好的分类效果.     

面向对象的武汉市街区公共遥感影像分类研究

面向对象的遥感影像分类方法克服了传统基于像元分类方法的弊端,将对象光谱、空间纹理等特征一并加入分类依据中,有效避免了“同谱异物”或“异物同谱”的问题,适合于高分辨率的遥感影像分类。以武汉市某街区公共遥感影像为例,采用上述方法,结合支持向量机分类方法进行地物分类识别,结果显示,分类总体精度达到了89．9913％,取得了良好的分类效果。     

基于PCA&SVM的多品种小批量产品质量预测方法研究

将主成分分析与支持向量机结合应用到多品种小批量产品的质量预测。首先确定多品种小批量产品生产过程中的定量影响因素,并将其作为初始影响因素集;然后利用主成分分析方法降低因素集的维度,同时提取关键主成分;最后将关键主成分作为影响因素集并建立针对于多品种小批量生产的支持向量机质量等级预测模型。算例分析表明,与传统的支持向量机分类模型相比,主成分分析与支持向量机结合的模型预测准确率及稳定性均有显著提高,说明模型具有更好的预测性能。     

基于支持向量机的土地覆被遥感分类

遥感图像的分类是研究土地变化的基础。传统的遥感图像分类存在着精度不高,不确定性强的特点。本文使用支持向量机（SVM,Support Vector Machine）技术对遥感图像分类,并与传统的最大似然分类进行对比试验。结果表明不同参数组合下SVM的分类总精度和Kappa指数普遍高于最大似然分类的结果,其最高总精度高出最大似然分类0.9779%。SVM和最大似然分类结果都存在着类别混分,但是SVM混分程度远小于最大似然分类,其精度保持在可接受的范围内,如对于低密度草而言,最大似然分类的用户精度下降到84.68%,而支持向量机的用户精度虽然也有下降但还是保持在92.31%。SVM在样本数目很少的情况下表现出了出色的学习能力,是机器学习领域很有希望的一种学习方法。     

基于相容粗糙集的BP神经网络湿地覆被信息提取——以双台子河口湿地为例

BP神经网络因具有自学习、自适应、大规模并行处理等特点而广泛应用于遥感影像分类中,但是该方法训练时容易陷入局部极小值,且收敛速度较慢,针对这些不足提出一种基于相容粗糙集的BP神经网络分类方法。本文以双台子河口湿地为研究对象,以Landsat-8 OLI影像为数据基础,利用相容粗糙集理论对样本数据集进行预处理,将得到的数据作为新的训练样本,在Matlab软件平台下建立BP神经网络的湿地覆被分类模型,进行湿地覆被信息提取,将分类结果与单纯的BP神经网络以及粗糙集样本属性约简预处理的分类结果进行比较分析。结果表明,基于相容粗糙集的BP神经网络分类方法可以剔除训练样本中的噪声数据,提高网络的训练成功率,缩短网络的收敛时间,分类效果较好,其总体精度达到91.25%,Kappa系数为0.8969,比单纯的BP神经网络分类结果高7.92%和0.0926,比粗糙集样本属性约简预处理方法的分类结果高3.03%和0.0357,是一种有效的湿地覆被分类方法。     

基于相容粗糙集的BP神经网络湿地覆被信息提取——以双台子河口湿地为例

BP神经网络因具有自学习、自适应、大规模并行处理等特点而广泛应用于遥感影像分类中,但是该方法训练时容易陷入局部极小值,且收敛速度较慢,针对这些不足提出一种基于相容粗糙集的BP神经网络分类方法。本文以双台子河口湿地为研究对象,以Landsat-8 OLI影像为数据基础,利用相容粗糙集理论对样本数据集进行预处理,将得到的数据作为新的训练样本,在Matlab软件平台下建立BP神经网络的湿地覆被分类模型,进行湿地覆被信息提取,将分类结果与单纯的BP神经网络以及粗糙集样本属性约简预处理的分类结果进行比较分析。结果表明,基于相容粗糙集的BP神经网络分类方法可以剔除训练样本中的噪声数据,提高网络的训练成功率,缩短网络的收敛时间,分类效果较好,其总体精度达到91.25%,Kappa系数为0.8969,比单纯的BP神经网络分类结果高7.92%和0.0926,比粗糙集样本属性约简预处理方法的分类结果高3.03%和0.0357,是一种有效的湿地覆被分类方法。     

基于粗糙集约简并加权的SVM分类算法

针对Web中文文本分类中现有权重计算方法的不足和支持向量机算法对大数据量模式分类的低效性,提出了基于粗糙集约简并且加权的支持向量机分类方法;粗糙集作为支持向量机分类的前期预处理器,应用粗糙集的约简理论和基于Web中文文本的可变精度粗糙集加权方法对分类前的数据分别进行简化并计算权重,从而提高支持向量机后期分类的效率和精度;实验结果表明,支持向量机对约简并加权后的数据进行分类,分类性能得到了进一步保证。