一种主扫描图象的二进制特征向量动态聚类方法

不同类型的地物,由于辐射光谱分布不同,在多维光谱空间中构成不同的特征向量,这些向量可以用二进制数码表征。本文介绍的动态聚类方法便是一种基于二进制特征向量的非监督分类方法。此方法成功地用于主扫描图象分类.     

二叉树SVM算法在小样本故障诊断中的优化

针对二叉树支持向量机多分类算法在故障诊断中存在误差累积的问题,提出了一种新的算法优化方案。该方案旨在通过对分类顺序的优化来降低误差在二叉树架构层次间的传递和累积。算法充分考虑了小样本分布特点,首先从空间聚类分析的角度结合类间距离和类内密集性建立可分性测度作为主要的分类依据,其次从实际训练角度出发提出用预验证的方法作为对上述依据的补充。最后,利用UCI标准数据集,通过与不同多类算法进行比较,证明了该优化方案运用于小样本故障诊断中具有更高的推广性和鲁棒性。     

天体光谱信号去噪的小波域复合阈值新算法

利用谱线和噪声在小波域内的不同相关特性,提出了一种小波域复合阈值去噪算法。首先将小波系数作NeighShrink阈值处理,然后对得到的小波系数进行二值化,在此基础上定义了每一小波系数所对应的横向相关性指数和纵向相关性指数,最后确定出决定小波系数取舍的决策系数。由于该决策系数是通过多重判据得到的,因此该方法克服了简单阈值方法过保留或过扼杀的缺点,同时可以去除大脉冲噪声,实验结果表明了该方法的有效性。     

LS算法在亚毫米波付里时变换谱中的应用

本文介绍自回归谱分析法的另一种算法-前后向最小二乘法(LS算法)在亚毫米波付里叶变换谱中的应用。LS法比最大熵谱法(Burg法)具有更高的分辨率,而且可以避免谱线的分裂和减少谱线的偏移,从而得到更精确的结果。本文还着重讨论了光谱的窗口宽度和噪声对分辨率的影响     

窄带语音带宽扩展算法研究

为了降低谱失真,提出了一种基于隐马尔科夫模型的窄带语音带宽扩展算法。首先,算法选取与宽带谱包络互信息大的参数构成特征矢量,并利用隐马尔可夫状态和过去观察特征矢量的联合先验概率估计条件后验概率。其次,以条件后验概率为基础,算法结合贝叶斯条件参数估计法和最小均方差准则估计宽带谱包络。针对宽带激励信号估计,基于信号高频和低频的谐波相关性,提出了一种中频激励扩展算法。实验结果表明,与传统的基于隐马尔可夫模型的带宽扩展算法相比,本文算法可降低0.187 dB的平均谱失真,将谱失真大于10 dB的语音帧减少了34.3%。      

喘鸣音的声谱图熵特征分析及检测

提出了一种改进的基于肺音信号的声谱图熵特征分析的客观喘鸣音检测方法。喘鸣音的功率明显高于正常肺音,因此喘鸣音声谱图的功率分布沿频率轴方向具有明显的聚集特性,该特性可以通过熵值反映。本算法首先对肺音信号进行时频变换得到时频幅度谱信号,然后去除基本呼吸音,进而计算其熵特性曲线并提取熵特性曲线的相应特征.最后,通过支持向量机(support vector machine,SVM)训练分类器,实现了喘鸣音的有效检测。该方法通过预处理使熵特性曲线的特征差异更加明显,且通过SVM分类器进行检测,解决了原方法检测存在检测模糊区域的问题。实验结果表明,该算法在两组测试集的检测准确率分别为97.1%和95.7%,检测率较高,具有良好的应用前景。      

早M型矮恒星光谱聚类方法与分析

大规模光谱巡天项目如LAMOST等产生了海量极具研究价值的观测数据,如何对此数量级的数据进行有效的分析是当前的一个研究热点。聚类算法是一类无监督的机器学习算法,可以在不依赖于领域知识的情况下对数据进行处理,发现其中的规律与结构。恒星光谱聚类是天文数据处理中一项非常重要的工作,主要对海量光谱巡天数据按照其物理及化学性质分类。针对LAMOST巡天中的早M型矮恒星的光谱数据,使用多种聚类算法如K-Means,Bisecting K-Means和OPTICS算法做了聚类分析,研究不同聚类算法在早M型恒星数据的表现。聚类算法在一定程度依赖于其使用的距离度量算法,同时研究了欧氏距离、曼哈顿距离、残差分布距离和上述三种聚类算法搭配下的表现。实验结果表明：(1)聚类算法可以很好地辅助分析早M型矮恒星的光谱数据,聚类产生的簇心数据和MK分类吻合得非常好。(2)三种不同聚类算法表现不尽相同,Bisecting K-Means在恒星光谱细分类方面更有优势。(3) 在聚类的同时也会产生一些数量较少的簇,从这些簇中可以发现一些稀有天体候选体,相对而言OPTICS适合用来寻找稀有天体候选体。     

基于Top-Hat变换的高光谱吸收特征增强方法

对地物高光谱进行特征分析是高光谱影像用于目标识别和地物分类的基础.基于数学形态学的Top-Hat变换提出了一种光谱吸收峰增强算法.该方法在增强吸收峰的同时还保持了吸收谱带的波形特征.从美国地质调查局USGS光谱数据库选取的11条不同矿物的反射光谱曲线,对其吸收峰增强曲线和原始光谱曲线进行了K-means聚类分析.结果表明:吸收峰增强曲线的聚类结果在波形上和地质背景上都优于原始光谱曲线;且将吸收峰增强曲线的聚类的结果用矿物光谱的ASTER影像采样光谱曲线显示时,能总结出各组矿物的ASTER光谱典型特征.说明吸收峰增强曲线很好地增强了矿物光谱的吸收特征,提高了高光谱的可分性,同时还能为基于多光谱数据的遥感信息提取提供参考,是十分有用的高光谱分析方法.     

基于局部Gabor二进制模式的高光谱伪装目标图像分类(英文)

为提高光谱伪装目标图像分类精度,提出了一种基于局部Gabor二进制模式(LGBP)的空间分类方法。LGBP作为一种多尺度算法,被用来提取高光谱图像的纹理特征。然后高光谱图像中的每一个像元可以用一个光谱特征向量及一个纹理特征向量表示。通过这种方法,增大类间距离。最后使用多核支持向量机结合光谱信息和空间纹理信息实现对高光谱伪装目标图像的分类。实验证明了该方法的有效性,分类总体精度和Kappa系数分别达到了95.6%和0.937。所提出的方法对于提高分类精度及鲁棒性具有重要意义。     

高光谱技术融合图像信息的牛肉品种识别方法研究

高光谱图像包含了大量的光谱信息和图像信息,采用高光谱成像技术对牛肉品种进行识别。获取可见-近红外(400~1000 nm)光谱范围内的安格斯牛、利木赞牛、秦川牛、西门塔尔牛、荷斯坦奶牛五个品种共252个牛肉样本的高光谱图像。在ENVI软件中对高光谱图像进行阈值分割并构建掩膜图像,获取样本的感兴趣区域(ROI),并结合伪彩色图对牛肉样本的反射率指数进行可视化表达;采用Kennard-Stone(KS)法对样本集进行划分以提高模型的预测性能;对原始光谱采用卷积平滑(SG)、区域归一化(Area normalize)、基线校正(Baseline)、一阶导数(FD)、标准正态变量变换(SNV)及多元散射校正(MSC)等6种方法进行预处理;采用竞争性自适应重加权算法(CARS)提取特征波长。然后利用颜色矩对不同牛肉样本的颜色特征进行提取;对原始光谱图像进行主成分分析,结合灰度共生矩阵(GLCM)算法,提取主要纹理特征。最后结合偏最小二乘判别(PLS-DA)算法建立牛肉样本基于特征波长、颜色特征以及纹理特征的识别模型。KS法将牛肉样本划分为校正集190个,预测集62个;将未经预处理的光谱数据与经过6种不用预处理的光谱数据进行建模分析,结果发现经FD法处理后的光谱数据所建模型的识别率最高;结合CARS法对经FD法预处理后的光谱数据进行特征波长提取,共提取出22个波长;利用颜色矩和GLCM算法分别提取出每个牛肉样本的9个颜色特征、48个纹理特征。将特征波长数据与颜色、纹理特征信息进行融合建模,结果表明,基于特征光谱+纹理特征的模型识别效果最佳,其校正集与预测集识别率分别为98.42%和93.55%,均高于特征光谱数据模型识别率,说明融合纹理特征后使样本分类信息的表达更加全面;融合颜色特征后模型的校正集识别率均有所增加,但预测集识别率稍逊,颜色特征虽携带了部分有效信息,但这些信息与牛肉样本的相关性不大。因此,寻找与牛肉样本相关性更大的颜色特征是提高模型识别率的重要途径之一。该研究结果为牛肉品种的快速无损识别提供了一定的参考。     

可见光光谱和支持向量机的温室黄瓜霜霉病图像分割

针对温室现场环境下采集的黄瓜霜霉病叶片图像中存在光照不均匀和背景复杂的问题,提出了一种基于可见光光谱和支持向量机的温室黄瓜霜霉病图像分割方法。首先,提出了一种基于可见光谱的颜色特征CVCF(combination of three visible color features)及其检测方法,该颜色特征将超红特征(excess red,ExR)、H分量和b*分量三种颜色特征结合,通过设置ExR参数,降低光照条件对ExR的影响,克服了光照不均匀对病斑分割的影响。在CVCF的基础上,结合基于径向基核函数的支持向量机分类器,通过优化分类器参数构建病斑分割模型,获得了温室黄瓜霜霉病图像初始分割结果。在初始分割结果基础上,采用SURF(speeded up robust features)特征及形态学操作,对分割结果进一步优化,消除背景噪声对分割结果的影响,从而获得最终病斑分割结果。为进一步验证方法的有效性,选择了OTSU算法、K均值聚类算法和决策树算法,作对比研究。结果表明,OTSU+H*0.2,K-means+H+b*,DT+H+b*和该研究算法的错分率分别为：19.44%,40.19%,16.27%和7.37%,该算法对温室现场环境下采集的黄瓜霜霉病图像的分割效果明显优于其他对比方法。该方法能够充分克服光照不均匀和复杂背景的影响准确地提取病斑,为病害识别提供了良好的数据来源。     

基于选择性支持向量机集成的混沌时间序列预测

提出了一种基于聚类的选择性支持向量机集成预测模型.为提高支持向量机集成的泛化能力，采用自组织映射和K均值聚类算法结合的聚类组合算法，从每簇中选择出精度最高的子支持向量机进行集成，可以保证子支持向量机有较高精度并提高了子支持向量机之间的差异度.该方法能以较小的代价显著提高支持向量机集成的泛化能力.采用该方法对Mackey-Glass混沌时间序列和Lorenz系统生成的混沌时间序列进行预测实验，结果表明可以对混沌时间序列进行准确预测，验证了该方法的有效性. 关键词： 支持向量机 集成 混沌时间序列 聚类     

基于波段子集特征提取的最小二乘支持向量机高光谱图像分类技术

针对高光谱图像分类,文章提出一种基于波段子集最大噪声分量特征提取的最小二乘支持向量机的高光谱图像分类算法.利用高光谱图像的谱间相关性将原始光谱波段划分为若干个波段子集,并在各个子集上采用最大噪声分量方法进行特征提取,将提取的特征合成为分类的组合特征矢量,避免了高光谱图像较强的波段相关性,减少了谱间冗余.并且采用了最小二...     

基于小波包分析的光谱识别方法研究

光谱信号的自动识别技术是光谱分析技术中的重要组成部分, 是指运用模式识别方法,借助计算机技术,对相同测定条件下的光谱信号进行比较,根据信号之间的相似程度,从而得出两者之间化学组成关系的技术,主要应用于光谱的定性分析,也可用于光谱的验证。文章以符合朗伯-比尔定律的光谱信号为研究对象,简单介绍了光谱识别技术的基本原理和方法,随后为简化识别难度,进行了光谱信号的归一化处理,再在概述小波分析基本原理的基础上,提出了采用小波包分析的技术对光谱信号进行相关特征提取的方法,并根据统计学知识,得出了计算标准特征向量和允许误差向量的公式,然后运用二叉树分级判别的方法,实现了光谱信号的快速识别,最后举例对该方法进行了说明。     

光互连中二元计算全息算法的研究

二元计算全息(BCGH)是光学信息处理中一个重要元件,其在动态光互连中被广泛使用.为了更好地在光互连中应用BCGH,本文设计改进了二元计算全息的选代算法,比较了几种内能函数下的迭代算法所设计的BCGH,对其象质的不同指标进行了分析.结果表明,用迭代搜索算法是光互连应用中设计BCGH的一种较理想算法.     

基于谱聚类与类间可分性因子的高光谱波段选择

随着遥感技术和成像光谱仪的发展,高光谱遥感图像的分辨率不断提高,其庞大的数据量在提高其遥感探测能力的同时,也给分析和处理带来了很大的困难。高光谱波段选择可以有效减少数据冗余,提高分类识别精度和处理效率。因此如何从多达数百个波段的高光谱图像中选择出具有较好分类识别能力的波段组合是亟待解决的问题。针对上述问题,采用基于图论的谱聚类算法,将原始高光谱图像中的波段作为待聚类的数据点,利用互信息描述两两波段间的相似度,生成相似度矩阵。再根据图谱划分理论,将相似度矩阵生成的非规范化图拉普拉斯矩阵进行谱分解,得到类间相似度小且类内相似度大的类簇;然后根据地物类型计算各波段的类间可分性因子,将其作为类簇内进一步选择代表性波段的参考指标,达到降维的目的;最后通过支持向量机与最小距离分类方法对波段选择后的图像分类。该方法区别于传统的无监督聚类方法,采用基于图论的谱聚类算法,并根据先验知识计算类间可分性因子来选择波段。通过与自适应波段选择算法和基于自动子空间划分的波段指数算法的对比实验,结果表明：两组实验当聚类数目达到相对最佳时,该波段选择方法支持向量机图像总分类精度达到94.08%和94.24%以上,最小距离分类图像总分类精度达到87.98%和89.09%以上,有效保留了光谱信息,提高了分类精度。     

空-谱二维蚁群组合优化SVM的高光谱图像分类

提出了一种空-谱二维特征蚁群组合优化支持向量机的高光谱图像分类算法。利用两类蚁群分别在光谱维空间和样本分布空间交替搜索最大类间距波段组合和异质样本,提取最优特征波段,降低了高光谱的波段信息冗余,去除训练样本中的异质样本,优化了训练样本特征空间分布。将蚁群组合优化后的高光谱图像和训练样本应用到支持向量机(SVM)分类器中,扩大了特征空间类间距,提高了SVM算法的分类精度。实验表明该算法总分类精度达95.45%,Kappa系数0.925 2,是一种分类精度较高的高光谱图像分类方法。     

基于光谱角时序不变性的红外目标识别

为了识别空间目标与气球诱饵,提出了基于光谱角时序不变性的红外目标识别方法。通过分析证实了空间目标与气球诱饵在温度时变特性上存在差异。为了反映目标测量功率温度时变本质,消除传感器与目标距离以及等效投影面积的时变耦合对测量功率的影响,提出了利用时序光谱角作为光谱向量的时序变化量度。该量度能够刻画光谱曲线的时序变化,反演物体温度时变特性,可以作为温度时变特性不同的目标和诱饵之间聚类识别的有效判据。仿真结果表明：该方法能够有效识别空间目标与气球诱饵;通过融合时序光谱特征,为空间目标识别提供了一种新的机制。     

近红外光谱主成分分析与模糊聚类的典型地面目标物识别

近红外光谱技术在遥感监测领域中应用广泛,针对典型地面目标物遥感监测识别需要,提出了光谱主成分分析(PCA)与模糊聚类结合的分类识别方法,提高了识别算法效率及准确性。以四类典型地面目标物作为研究对象,分别测量其在1 100～2 500 nm范围内漫反射光谱,首先对漫反射光谱进行主成分分析,得到代表光谱特征的主成分分量,然后将其作为模糊聚类分析模型输入参数,计算样品主成分集合之间贴合度,最后利用择近原则对样品进行匹配分类。结果表明,主成分分析可以有效提取光谱特征并且降低数据维度,结合基于择近原则的模糊分类方法,可有效提高算法准确性与效率,为遥感光谱在地面目标物识别应用提供了有益的参考。     

基于K-均值聚类与夹角余弦法的多光谱分类算法

近年来对高光谱与多光谱进行分类去混的研究方法很多,K-均值聚类算法与光谱相似度计算算法都属于成熟的分类算法.作者在对其研究基础上,将K-均值算法进行改进,并融入光谱相似度匹配算法,形成一种新的光谱分类算法,找出两条距离最远的光谱作为参考光谱,用欧氏距离法或夹角余弦法对数据立方体进行分类,并且从数据立方体中删除属于这两条谱线的其余谱线,同时找出与两条参考光谱距离最远或者夹角最大者作为第三条参考光谱,对剩余数据立方体进行新的分类,并在此算法上用多光谱数据立方体进行了试验验证.通过ENVI用K-均值(K-means)进行分类,与改进的K-means算法和夹角余弦法Matlab仿真结果进行比较,后两种对于两种气泡的分类效果都很好,对背景的分类改进的K-means算法效果较好,尤其是欧氏距离法能将背景完整地分离出来.