基于模糊c均值算法和人工蜂群算法的无监督波段选择

波段选择是高光谱影像处理中一种重要的降维方法.在类标签不可获得的情况下,如何选择出一个具有代表性的波段子集是一个挑战性的问题.为了解决高光谱数据维数灾难以及光谱空间冗余的问题,基于模糊C均值算法(Fuzzy c-means,FCM),人工蜂群算法(Artificial Bee Colony, ABC)与极大熵准则(Maximum Entropy, ME),文章提出了一种新的无监督波段选择方法.该方法首先通过FCM算法将相似的波段划分到一个波段子集中,然后以ME为ABC算法中的适应度函数,寻找优化的波段子集.为验证该算法的有效性,在三个典型的高光谱数据集上,将所提出的方法和其它一些有效的波段选择算法进行了分类精度和计算时间对比.实验结果表明,所提出的算法不但可以得到高的分类精度,同时在计算时间上也具有明显的优势.     

基于混合高斯过程模型的高光谱图像分类算法

提出了一种基于混合高斯过程模型的高光谱遥感图像分类算法,它不同于传统的基于多元统计的分类方法.为更好利用高光谱遥感图像的高谱分辨率特点,首先将函数数据分析的思想引进高光谱数据的分类问题,分类对象视为像元对应的谱线,故它们是函数型数据.为了有效模拟地物在空间上的分片聚集特性,则将混合高斯分布模型推广到混合高斯过程模型并用于高光谱数据分类算法中.数值实验表明,混合高斯过程模型是处理函数型数据的有效方法.     

基于SVM的高分辨率遥感图像的分类方法研究

SVM(Support Vector Machine,支持向量机)分类算法是一种在高分辨率遥感图像分类中逐步得到重视的算法.首先详细介绍了SVM算法的数学原理,其次给出了基于SVM的高分辨率遥感图像分类方法的模型建立、光谱特征提取以及分类器设计,然后在AVIRIS标准多波段遥感数据集Indian Pines上进行了仿真,通过混淆矩阵和kappa系数评价了分类性能,最后以作者所在高校地区高分图像分类为例,验证了方法在高分辨率遥感图像地物分类上的有效性.     

基于ELM算法的羊肉水分含量的快速无损检测

在近红外光谱900-1700nm的波长范围内采集南疆羊肉的光谱数据,来研究水分含量的快速无损检测.为减弱非目标因素对光谱的影响,采用SNV和去趋势法对光谱数据进行预处理.为降低建模的复杂度,去除共线性的影响,采用连续投影算法和相关系数法相结合选取8个特征波长变量,最后使用PLS和ELM算法分别进行建模.实验表明,与采用全光谱波段建模相比,采用特征波长变量建模,PLS和ELM算法的运行时间都大大缩短,并且在运行时间和预测精度上,ELM算法均优于PLS算法.ELM算法采用8个特征波段变量建模,预测精度达到0.9768,均方误差为4.4291e-04,相关系数为0.7603,运行时间可控制在1e-04s之下,这可为研发羊肉水分含量的便携式检测装置提供理论参考.     

基于谱-空-纹特征融合的高光谱影像分类方法

文章提出了一种融合光谱信息,空间信息和纹理信息的高光谱影像分类方法.首先采用主成分分析降低高光谱影像的维度,然后利用灰度共生矩阵从各主成分提取纹理信息,并根据数学形态学特征和光谱信息定义了一种融合谱-空-纹的相似度距离,最后通过伪近邻(pseudo nearest neighbor,PNN)分类器对影像地物进行分类.为了说明所提出方法的有效性,文章对两个常用的具有不同空间分辨率和光谱分辨率的真实高光谱影像数据集进行了相应的实验,试验结果和比较结果表明,利用所提出的方法可以得到较高的分类精度.     

MEA-BP模型在遥感影像分类中的应用研究

遥感影像分类作为遥感技术的一个重要应用,对遥感技术的发展具有重要作用.针对遥感影像数据特点,在目前的非线性研究方法中主要用到的是BP神经网络模型.但是BP神经网络模型存在对初始权阈值敏感、易陷入局部极小值和收敛速度慢的问题.因此,为了提高模型遥感影像分类精度,提出采用MEA-BP模型进行遥感影像数据分类.首先采用思维进化算法代替BP神经网络算法进行初始寻优,再用改进BP算法对优化的网络模型权阈值进一步精确优化,随后建立基于思维进化算法的BP神经网络分类模型,并将其应用到遥感影像数据分类研究中.仿真结果表明,新模型有效提高了遥感影像分类准确性,为遥感影像分类提出了一种新的方法,具有广泛研究价值.     

基于主成分分析和PSO-SVM的树叶分类方法研究

提出一种树叶分类方法.在数据方面,所获得数据既包含树叶的图形信息数据,也包含树叶的纹理信息.在前期数据预处理阶段,采用主成分分析方法对原始数据进行降维处理,从16个特征中提取出3个主成分,且累计主成分贡献率达到85%以上.在后期数据分析处理阶段,用支持向量机对树叶数据进行分类预测,并用粒子群算法对支持向量机参数进行寻优处理,提高分类精度.实验结果表明,相对于遗传算法和网格搜索法寻到的最优参数相比,粒子群算法优化支持向量机具有最高的准确率,高达94.1%,高于其他两种分类方法.     

时态支持向量机模型在股票操纵模式发现上的研究

基于原始时间属性下的时态数据难以发现规律的特点,文章构建了时态支持向量机模型,该模型通过对输入时态数据的粒度变换,获得多个分类模型,从而能够发现多种规律.在此基础上,结合时态型操纵特征构建了股票操纵模式发现模型,最后在证监会披露的操纵股票真实数据上进行数值实验,实验发现细时态粒度数据的分类模型在识别一般操纵和严重操纵上效果较好,粗时态粒度数据的分类模型在识别未被操纵或轻微操纵上效果较好.在未知数据集上实验,该模型可以有效识别不同程度操纵股票的模式,其中1个时态粒度数据下添加市场差异特征的模型表现最好,识别准确率达到了98.25%.文章验证了在不同时态粒度输入下,时态支持向量机模型能够发现在原始数据上不能发现的模式特征,这对解决一些复杂规律在原始特征下难以被发现的问题具有重要借鉴意义.     

不同时相城市QuickBird和WorldView-2植被分类

影像植被分类中数据源的时相因素会对分类结果产生重要影响.研究以2月份和8月份成像的QuickBird、WorldView-2为数据源,利用最大似然分类法将两类影像分为针叶树、阔叶树和草类3个类别,分析植被生长旺盛季与非旺盛季数据在植被分类中的有效性.实验结果表明:QuickBird影像分类的总体精度为96.6667%, Kappa系数0.9500, WorldView-2分类的总体精度为93.9871%, Kappa系数0.9098,均取得较好的分类结果;QuickBird分类的总体精度较WorldView-2高2.6796%, Kappa系数高0.0402, QuickBird的分类效果优于WorldView-2.研究结果表明适宜时相数据源的选择更加有利于城市植被类型的识别.     

数据空间结构性及在KNN算法中的应用

数据空间结构性是多维数据客观存在的本征特征,是数据挖掘的重要内容.通过统计学的方法,分析多维数据空间属性变量和类型变量之间的结构特征,可以准确刻画数据在多维变量空间的相关性及其各向异性.数据空间结构特征可以用于机器学习算法的改进和提升,以提高模式识别的效果.融合了数据空间结构特征的KNN算法在稳定性和识别精度上均优于传统算法.通过在苏里格气田苏东41-33区块复杂碳酸盐岩的岩性识别中的应用表明,与传统KNN算法相比,数据空间结构的引入能提高识别准确率12.35%,并显示出算法的灵活性和适用性.多维数据空间结构的研究对机器学习算法的泛化能力和迁移性的提升等方面具有促进作用.