基于特征选择和梯度提升算法的高光谱遥感地物识别

高光谱遥感数据波段数目较多,且波段之间的相关性高,影响到敏感波段在地物识别中的作用,并造成大量冗余计算,降低时效.提出了一种随机森林结合递归特征消除的敏感特征选择方案,以提高高光谱遥感地物识别的精度与效率.通过RF-RFE特征选择方法得到最优特征组合,并运用LightGBM和XGBoost等提升算法来提高分类精度.在江苏省常州的茶树数据集上进行分类实验时,在原始数据上的分类精度达到了94.27%和94.45%;在特征选择出的最优特征子集上进行实验时,分类精度达到了94.40%和94.36%.实验结果表明,该方案的分类精度要优于决策树和朴素贝叶斯等传统分类算法,同时大幅减少了运算量,取得了较好的识别效果,具有一定的推广和应用价值.     

基于二进制萤火虫算法的属性选择方法研究

属性选择是机器学习与模式识别中进行数据预处理的一个重要方法,特别是针对一些高维的数据集,其计算复杂度较高,对数据挖掘算法的性能影响较大.因此,文章在连续型萤火虫算法(GSO)基础上对萤火虫进行二进制编码,并结合修正后的sigmoid函数,提出一种基于二进制萤火虫算法的属性选择方法.该方法以数据集分形维数作为属性子集的评价准则,以二进制萤火虫算法作为搜索策略,通过对标准数据集UCI进行一系列实验,实验结果表明了该方法的有效性与可行性.     

基于超像素合并的高光谱图像分类

超像素级的高光谱图像分类是一类有代表性的谱-空分类方法.与像素级分类方法相比,超像素级的分类方法在分类精度和分类效率方面都有明显的优势.然而,超像素级分类算法的主要缺点是分类结果严重依赖于超像素的分割尺度.已有的工作表明,最优超像素分割尺度的获得往往是一个实验结果,很难预先确定.为了削弱这种依赖性,文章提出了一种基于超像素合并的超像素级高光谱分类算法.该方法首先采用局部模块度函数对所构造的稀疏加权超像素图进行合并;然后通过新定义的映射将每一个超像素块表示为一个样本点,使用流行的KNN方法对合并后的超像素图像进行超像素级分类.超像素的合并增强了空间信息在分类中的作用,有效地削弱了分类结果对超像素分割尺度的依赖性,并提高了分类精度.为了评价该方法的有效性,在4个公开的实际高光谱数据集上,将所提出的方法与一些竞争性的高光谱图像分类方法进行了实验和对比.实验结果和比较结果表明,该方法不仅有效削弱了超像素分割尺度对分类结果的影响,且在分类精度和计算效率方面都有十分明显的优势.     

基于微分进化算法的FCM图像分割算法

为提高模糊C均值(FCM)算法的自动化程度,提出基于微分进化算法的FCM图像分割算法(DEFCM),利用微分进化算法全局性和鲁棒性的特点自动确定分类数和初始聚类中心,再将其作为模糊c均值聚类的初始聚类中心,弥补FCM算法的不足.实验表明该算法不仅能够正确地对图像分类,而且能获得较好的图像分割效果和质量.     

一种基于CS-FCM算法的模糊时间序列预测模型

为了发挥模糊理论在不确定性预测中的优势并保留模糊时间序列(FTS)预测模型的可解释性,本文针对目前应用广泛的模糊C均值聚类(FCM)算法进行改进,提出了一种基于布谷鸟搜索的FCM (CS-FCM)算法.将CS-FCM算法用于模糊时间序列模型的非均匀论域划分与数据的模糊化处理,建立一种基于CS-FCM算法的模糊时间序列预测模型.该算法可实现聚类中心的全局寻优,降低传统FCM算法易陷入局部极小值带来的误差,提高模型预测精度.实证分析结果表明, CS-FCM算法的适应度优于FCM算法,本文模型的预测误差小于经典模糊时间序列预测模型,验证了新预测模型的有效性.     

极限学习机集成在肿瘤分类中的应用

提出一种基于数据集分割的极限学习机集成算法——DS-E-ELM.该算法主要包含以下3个步骤:首先,将数据集分成互不相关的κ个子集,选择κ一1个子集组合成一个训练集,这样可以得到κ个不同的数据集;然后将新得到的κ个数据集利用极限学习机训练得到κ个分类器;最后对κ个分类器预测得到的结果通过多数投票的方法决定预测结果.通过对6个肿瘤数据集的实验证明,DS-E-ELM与单独的ELM、Bagging、Boosting等算法相比,具有更高的分类精度,且稳定性更好.     

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.     

一种基于子集测度的FCM聚类加权指数计算方法

在模糊C均值(Fuzzy C-Means,FCM)聚类应用过程中,针对目前模糊加权指数的确定缺乏理论依据和有效评价方法这一问题,提出了一种基于子集测度的模糊加权指数计算方法.首先根据子集测度理论定义了一个聚类有效性函数,然后依据该函数在聚类过程中通过循环进化迭代来计算聚类结果的有效性,并将其值反馈到模糊加权指数m的变化中,而使m收敛到一个稳定解,即得到最佳模糊加权指数.理论分析和实验表明,该算法是有效的,为模糊加权指数m的探讨研究提供了一种新的思路和途径.     

基于蒙特卡洛方法的非负矩阵分解初始化

在非负矩阵分解中,初值的选择对于算法效果有很大的影响.一些基于奇异值分解的初始化方法已有人提出^[7,8],但当矩阵维数过大时,直接对原矩阵进行奇异值分解是耗时的.本文提出了一种更节时的初始化方法 (KFV-NMF),而且通过数值实验,此算法既在一定程度上保持了计算精度,也节省了计算时间.     

FCM聚类算法中模糊加权指数m的优选方法

模糊c-均值(FCM)聚类算法是一种通过目标函数的极小化来获得数据集模糊划分的方法。其中,模糊加权指数m对FCM算法的分类性能有着重要的影响,而调用FCM算法进行模糊聚类分析时又必须给m赋值。因此,模糊加权指数m的优选研究就变得很有意义。基于模糊决策的方法本文给出了一种对m的优选方法,实验结果表明该方法是有效的。     

一种基于正交函数系的时间序列聚类方法

基于正交函数系和FCM算法,提出了一种新的时间序列聚类的方法.该方法首先通过一个非线性映射,将长度为n的时间序列映射到L_2空间,然后通过计算函数之间的距离得到时间序列之间的相似度.在此基础上,经过FCM算法实现时间序列的聚类.该方法克服了时间序列的高维数特征为时间序列聚类带来的计算困难.实验结果表明,对高维的时间序列,该方法在压缩率达到80%的情况下,依然具有良好的聚类效果.     

分维权重样条插值预测算法及应用

基于高维数据预测方法的应用,提出一种分维权重样条插值预测算法.通过高维数据的各维,建立样本各维数据与对应权重的网络结构关系,网络的结点个数与样本的个数无关.通过训练样本各维权重所满足的线性方程组得到各维的权值,再根据样本的各维数据值和所得到的对应权值进行三次样条插值,得到各维数据值的权值函数,而不是传统方法的常数,这克服了个别数据变化所带来的整体度量值发生较大变化的缺点.数值仿真实验表明:分维权重样条插值预测算法不失是一种稳定而灵活的算法,而且预测的精度较高,可以根据样条插值函数得到样本各维的权值.     

基于CCH的SVM几何算法及其应用

支持向量机(support vector machine(SVM))是一种数据挖掘中新型机器学习方法.提出了基于压缩凸包(compressed convex hull(CCH))的SVM分类问题的几何算法.对比简约凸包(reducedconvex hull(RCH)),CCH保持了数据的几何体形状,并且易于得到确定其极点的充要条件.作为CCH的实际应用,讨论了该几何算法的稀疏化方法及概率加速算法.数值试验结果表明所讨论的算法可降低核计算并取得较好的性能.     

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.     

顶点覆盖约束下的同类机排序算法研究

给定m台同类机和n个工件,其中第j台机器的速度为s_j,第i个工件的加工时间为p_i并且在第j台机器上的负载为p_i/s_j.构造一个顶点赋权无向图G=(V,E;w),其中图G的n个顶点代表这n个工件,顶点权重代表相应工件的加工时间.本文研究顶点覆盖约束下的同类机排序问题.该问题是两个组合最优化问题的组合问题,其目标为首先确定图G的一个顶点覆盖,即图的一个顶点子集,使得图中每一条边都至少存在一个顶点属于该子集;然后把这个子集所代表的相应工件集放到m台同类机上加工,使得最大完工时间最小.该问题是NP-hard的.本文基于分层算法和LSPT算法设计一个■-近似算法,当所有机器的速度都相差不大时,该算法的近似效果较好.     

基于RS和SVM的动态供应链成员选择算法

良好的成员选择方法是动态供应链平稳运行的重要基础,针对动态供应链成员选择时面临决策属性多且可供决策分析数据样本少的难题,提出了基于粗糙集和支持向量机的动态供应链成员选择算法,核心是应用粗糙集进行属性约简,然后结合支持向量机进行链上成员分类.方法在保证不会降低分类性能的前提下,达到降低数据维数和分类过程中复杂度的目的.     

硬聚类和模糊聚类的结合——双层FCM快速算法

模糊c均值(FCM)聚类算法在模式识别领域中得到了广泛的应用,但FCM算法在大数据集的情况下需要大量的CPU时间,令用户感到十分不便,提高算法的速度是一个急待解决的问题。本文提出的双层FCM聚类算法是一种快速算法,它体现了硬聚类和模糊聚类的结合,以硬聚类的结果对模糊聚类的初始值进行指导,从而明显地缩短了迭代过程。双层FCM算法所用的CPU时间仅为FCM算法的十三分之一,因而具有很强的实用价值。     

一元非线性系统的BP算法研究

详细研究了一种一元非线性系统的BP算法,提出并证明了该算法的收敛性定理,给出了该算法的应用实例.计算机仿真结果表明:对于随机给定的初始点,该算法都能稳定收敛到它的一个实根,而且计算精度可控,因此,该算法是有效的.与传统的计算方法相比,本文算法不仅具有收敛速度快,而且计算精度可控以及初始点随机给定的集中优点.     

灰色预测模型算法的改进研究

为了解决固定模型预测时变系统容易出现较大误差的问题,提出模型更新算法,即采用将移动窗算法与传统灰色预测模型相结合的方法.通过在建模序列中删除一部分旧数据、纳入一部分新数据的方式递推更新预测模型,并分解数学模型所涉及的关键量ab从而简化递推数学公式;利用国家统计年鉴的统计数据验证上述方法的有效性.为了解决传统灰色预测模型建模长度选择的问题,而递推算法能在已知模型参数基础上通过简单计算获得新模型的各项参数,文章给出了详细的递推数学公式;另外对于最小建模长度L_(min)也进行讨论,认为L_(min)≥3,并给出证明.所改进算法提高灰色模型的预测精度,同时也为最优序列长度计算提供理论依据.