基于径向基函数神经网络的高光谱遥感图像分类

从径向基函数神经网络的理论出发,针对高光谱数据的特点,设计了有效的特征提取模型,再与径向基函数神经网络的输入层连接,建立了一个新的径向基函数神经网络的高光谱遥感影像分类模型,并用国产OMISII传感器获得的64波段数据进行试验。首先进行了最小噪声分离变换,提取了1～20个分量的数据,使用提取后的数据（20维）、提取后数据的纹理变换（20维）和主成分分析的前（20维）,组成了60维向量数据进行分类处理,这种分类器结构简单、容易训练、收敛速度快,其分类精度达到69.27%,高于BP神经网络分类算法(51.20%)以及常用的最小距离分类（MDC）算法(40.88%)。通过对结果和过程进行分析,实验证明径向基函数神经网络在高光谱遥感分类中具有较好的适用性。     

主成分分析结合感知器在医学光谱分类中的应用

基于光谱分析技术的经典理论,应用主成分分析方法对83例(癌症42,非癌41)乳腺患者病理片的紫外吸收光谱进行主成分提取.选用其中44例(癌症22,非癌22)作为训练样本,其余的39例(癌症20,非癌19)作为测试样本,将其主成分数据作为输入向量分别对离散型和连续型感知器神经网络模型进行训练和测试.通过对比发现:离散型感知器模型由于其输出函数值只有{0,1}且算法较为简单,其癌症识别率只有43.3%,非癌识别率为38.7%;而连续型感知器模型将模糊集合理论引进了神经网络系统,将二值{0,1)扩展到隶属度函数的单位区间[0,1]上,结果表明这种模型的癌症识别率为83.6%,非癌的识别率为76.3%,取得了较为理想的识别效果.     

基于PCA和SVM的高光谱遥感图像分类研究

支持向量机(SVM)是根据统计学习理论提出的新的研究方法,它在解决小样本、非线性及高维模式识别问题中表现出了许多特有的优势,在模式识别、函数逼近和概率密度估计等方面取得了良好的效果。由于高光谱图像波段数目多,各波段间具有较强的相关性,因此通过主成分分析(PCA)方法对高光谱数据进行预处理,达到了降维的目的,同时也去除了噪声波段。用支持向量机方法对高光谱遥感图像进行分类,可实现图像的分类识别。     

基于相似性分类的高光谱主成分融合方法比较

为了提高复杂场景弱小目标高光谱融合图像的质量,提出了基于相似性分类的主成分融合方法。光谱数据像素向量的相似性测度分类产生类矩阵,通过由类矩阵主成分变换的降维投影矩阵来投影变换原有光谱数据,获得降维数据矩阵。对比了传统PCA与基于欧式距离分类的PCA(ED_PCA)、基于光谱角分类的PCA(SA_PCA)、基于光谱信息散度分类的PCA(SID_PCA)和基于正交投影散度分类的PCA(OPD_PCA)四种改进方法的融合性能。实验结果表明:SA_PCA和SID_PCA方法兼具了ED_PCA和OPD_PCA的优点,对比度提升较好,阈值参数不敏感,运行时间较短。     

基于近红外光谱技术成品汽油分类方法的研究

在研究成品汽油的分类方法过程中,首先采用判别式聚类分析方法比较了700~1 100和1 100~1 700 nm两个波段范围判别模型的准确性,然后在识别模型准确性较高的波段(1 100~1 700 nm)采用主成分分析法(PCA)结合自组织竞争神经网络方法,对90#,93#和97#成品汽油建立定性识别模型。在建立定性模型前先用PCA法对原始数据进行主成分压缩。主成分分析结果表明,前3个主成分的累积可信度已达97%,取前3个主成分的32个波长点的吸光度作为神经网络的输入,建立三层自组织竞争神经网络模型。神经网络模型的学习参数为0.01,网络训练迭代次数为500。结果表明,基于主成分分析结合自组织竞争神经网络方法建立的近红外光谱鉴别成品汽油的模型鉴别准确率高、方法可行。     

近红外漫反射光谱的主成分分析

本文研究了主成分分析的应用，说明了在主成分分析过程中所产生的新变量如何提供新的光谱信息，该信息能改善对原光谱的解释。     

基于多光谱遥感影像分类的城镇用地变化研究

选择上海城镇化较典型的边缘区域之一嘉定区为研究对象,基于4时相的多光谱遥感影像研究了该区域城镇用地变化情况。采用一种改进的遗传算法优化BP神经网络的遥感影像分类方法,进行了较高精度的土地覆盖类型分类。在此基础上,提取出研究区域的城镇用地类型,然后利用不同年份的4幅城镇用地图像中像素值与叠加得到的1幅城镇用地变化图像中像素值之间的16种对应关系,按板块统计研究区域内任意2个年份间隔内城镇用地变化的数量,从而检测了该区域在研究时间段内的城镇用地变化情况。     

基于LIBS技术和主成分分析的快速分类方法研究

将激光诱导击穿光谱（LIBS）技术与主成分分析（PCA）法相结合用于铝合金分类研究,对Al—Cu系、Al—Si系、Al—Mg—Si系、Al—Zn系四类13种铝合金标准样品进行了分类实验,实验结果证明LIBS-PCA方法可以实现铝合金的快速分类。通过使用LIBS技术激发130个铝合金标准样品得到130个光谱样本,再用主成分分析方法进行降维分析,计算出贡献率最大的三个主成分并计算各光谱的主成分得分绘制在三维空间中,发现光谱样本点按照铝合金的种类发生了明显的汇聚现象,由此确定了三个主成分和铝合金类型区域。用20个不同类型的铝合金进行实验对所得铝合金类型区域的准确性进行验证,发现所得20个光谱样本点全部落在其对应的标准样品类型区域内, 在一定程度上证明所得的铝合金标准样品类型区域的正确性,在此基础上可以进行未知类型铝合金的鉴别。实验结果表明基于LIBS光谱的PCA方法分类精度达到97.14%以上,能够有效的完成不同模式的区分,相比于常用的化学方法,LIBS技术可以原位快速地对待测样品进行检测,样品预处理简单,因此将激光诱导击穿光谱（LIBS）技术与主成分分析（PCA）法相结合用于质量检测和在线工业控制等领域,可以节约大量的时间及成本,提高检测效率。     

基于加权特征融合的多尺度遥感影像分类

针对普通的三维卷积神经网络（3D CNN）从一个尺度上提取特征,会丢失部分细节信息,且对小样本任务表现一般的问题,本文提出了一种三支路的3D CNN,从不同尺度上提取特征后进行加权特征融合,从而获取了更为全面的特征;并引入数据增强技术,从而改善了小样本情形下的分类性能。现有特征融合方法通常对各个支路直接进行拼接,本文采用加权拼接的特征融合方法,将各特征分别乘以一个加权系数后再进行拼接,该系数通过模拟退火算法求取。本文方法在公开数据集Indian Pines,Pavia University,Salinas等上采用10%的数据进行训练,分别得到了98.60%、99.83%、99.97%的总体准确率,与各类对比方法相比,提升了高光谱遥感影像分类问题的准确率。     

多区间主成分交互验证法用于气体光谱定性分析

提出了一种多区间主成分交互验证法.该方法根据目标气体的光谱特征吸收峰,在全光谱范围内划分出多个特征波数区间,同时,对单组分气体构成的参考光谱矩阵在划分出的特征波数区间内做主成分分析,依据特征波数区间内累计贡献率大于99%的主分数和单组分气体在特征区内光谱最大值的排序,识别出目标气体可能含有的组分,再提取这些可能组分的特...     

基于主成分分析和人工神经网络的激光诱导击穿光谱塑料分类识别方法研究

研究了人工神经网络在激光诱导击穿光谱(LIBS)塑料分类识别方面的应用。选用七种常见的塑料作为实验样品,获得每种样品的170组LIBS光谱数据,利用主成分分析获得前五个主成分的得分矩阵。用每种塑料样品的130组光谱数据的主成分得分矩阵作为训练集,建立反向传播(BP)人工神经网络模型。将其余40组主成分得分作为测试数据输入训练好的模型进行分类识别,其识别准确度达到97.5%。实验结果表明,通过采用主成分分析与BP人工神经网络相结合的方法,可以很好地进行塑料激光诱导击穿光谱的分类识别,对塑料的回收利用有重要价值。     

基于主成分分析和神经网络的近红外光谱苹果品种鉴别方法研究

提出了一种用近红外光谱技术快速鉴别苹果品种的新方法,首先用主成分分析法对苹果品种进行聚类分析并获取苹果的近红外指纹图谱,再结合人工神经网络技术进行品种鉴别。主成分分析表明,主成分1和主成分2的累积可信度已达98％,以主成分1和2对所有建模样本的得分值做出的得分图,对不同种类苹果具有很好的聚类作用。利用主成分分析得到的载荷图可以得到对于苹果品种敏感的特征波段,用特征波段图谱作为神经网络的输入建立三层BP人工神经网络模型。每个品种各25个苹果共75个用来建立神经网络模型,余下的共15个用于预测。对未知的15个样本进行预测,品种识别准确率达到100%。说明文章提出的方法具有很好的分类和鉴别作用,为苹果的品种鉴别提供了一种新方法。     

基于BP神经网络的复杂彩色图像文本定位*

针对复杂彩色图像中文本的特征,提出了基于小波变换和BP神经网络甄别文本区域的算法.该算法首先利用文本块的边缘特征遴选出备选图像块,而后采用小波变换提取备选图像块的纹理特征,把这些纹理特征参量连同图像块的颜色特征和笔画特征参量输入训练好的BP神经网络,判断备选图像块是否包含文本.该方法运算简单,定位时间短.采用专用的文本定位比赛用图进行实验的结果表明,定位准确率可达到92％,召回率为87.4%.     

基于BP神经网络的复杂彩色图像文本定位

针对复杂彩色图像中文本的特征,提出了基于小波变换和BP神经网络甄别文本区域的算法.该算法首先利用文本块的边缘特征遴选出备选图像块,而后采用小波变换提取备选图像块的纹理特征,把这些纹理特征参量连同图像块的颜色特征和笔画特征参量输入训练好的BP神经网络,判断备选图像块是否包含文本.该方法运算简单,定位时间短.采用专用的文本定位比赛用图进行实验的结果表明,定位准确率可达到92%,召回率为87.4%.     

基于反向传播神经网络的激光诱导荧光光谱塑料分类识别方法研究

塑料具有成本低、质量好,可塑性强等优点被广泛用于生产生活等领域,但废弃塑料处置不当容易引发二次污染。回收再利用有望成为解决废弃塑料污染问题的关键手段,其前提是对废料的准确分选。传统分选手段耗费时间,效率低下,难以实现废弃塑料的快速、经济、有效分类。激光诱导荧光技术是一种快速灵敏的光谱检测技术。具有操作简便,检测效率高,样品使用量小等优点常被应用于水体、土壤中油类,多环芳烃等有机污染物的快速识别与定量分析。利用激光诱导荧光技术可以快速采集不同塑料的荧光光谱,结合相应的模式识别算法,可实现塑料材质的快速准确识别。实验采集了8种塑料（ABS,HDPE,PA66,PLA,PP,PET,PS,PVC）共358组激光诱导荧光光谱,依据特征峰信息构建358×10的光谱矩阵。利用主成份分析法削减原光谱矩阵中的线性相关量,提高数据精度。结果显示前3个主成分的累计方差贡献值达98.085%,足以表征原光谱矩阵的主要信息。将降维的主成分PC1, PC2, PC3作为输入进行光谱分类,其中同种塑料光谱聚合度高,元素构成不同的塑料如PA66,PLA,HDPE和PVC的光谱分离度较好,而元素构成相同的塑料如PET和PLA的光谱分离度较差。PCA算法并不能准确的对未知塑料进行识别。BP-神经网络具有收敛速度快,预测精度高等特点被广泛用于模式识别和分类研究。将经PCA算法得到的简化特征矩阵作为BP-神经网络算法的输入集,其中随机抽取256组数据作为BP-神经网络算法模型的训练集,剩余的102组数据作为模型检测集。BP神经网络的隐藏层设定值为1,激活函数选择双极性Sigmoid函数,输出层为8种塑料样品。识别结果显示,102组数据中只有一组HDPE光谱数据被错识为PS,其余101组数据全部正确识别。8种塑料荧光光谱的综合识别准确率达到99%。研究结果表明激光诱导荧光技术结合BP-神经网络算法可实现不同材质塑料的快速准确识别。为实现废弃塑料的自动化智能分选,降低回收成本,减少废弃塑料危害提供新的参考。     

基于图像处理的模拟尾流气泡幕分类识别

提出了一种应用数字图像处理技术对模拟尾流气泡幕分类识别的新方法.文章介绍了BP神经网络的基本结构及其工作原理,通过仿真测试了BP神经网络对模拟尾流气泡幕图像的模式分类.应用灰度图像统计矩法得到了均值﹑归一化系数﹑三阶矩﹑一致性和熵等特征量,设定神经网络学习率为0.1时经过14次循环可以达到训练目标误差为0.001,此时网络对不同压强下的尾流气泡幕分类正确率到达100%.这种方法在处理尾流图像时具有直观、高效、精确等特点,易于应用于对尾流探测、识别等工程技术中.     

基于卷积神经网络的恒星光谱自动分类方法

恒星光谱自动分类是研究恒星光谱的基础内容,快速、准确自动识别、分类恒星光谱可提高搜寻特殊天体速度,对天文学研究有重大意义。目前我国大型巡天项目LAMOST每年发布数百万条光谱数据,对海量恒星光谱进行快速、准确自动识别与分类研究已成为天文学大数据分析与处理领域的研究热点之一。针对恒星光谱自动分类问题,提出一种基于卷积神经网络(CNN)的K和F型恒星光谱分类方法,并与支持向量机(SVM)、误差反向传播算法(BP)对比,采用交叉验证方法验证分类器性能。与传统方法相比CNN具有权值共享,减少模型学习参数;可直接对训练数据自动进行特征提取等优点。实验采用Tensorflow深度学习框架,Python3.5编程环境。K和F恒星光谱数据集采用国家天文台提供的LAMOST DR3数据。截取每条光谱波长范围为3 500~7 500 部分,对光谱均匀采样生成数据集样本,采用min-max归一化方法对数据集样本进行归一化处理。CNN结构包括：输入层,卷积层C1,池化层S1,卷积层C2,池化层S2,卷积层C3,池化层S3,全连接层,输出层。输入层为一批K和F型恒星光谱相同的3 700个波长点处流量值。C1层设有10个大小为1×3步长为1的卷积核。S1层采用最大池化方法,采样窗口大小为1×2,无重叠采样,生成10张特征图,与C1层特征图数量相同,大小为C1层特征图的二分之一。C2层设有20个大小为1×2步长为1的卷积核,输出20张特征图。S2层对C2层20张特征图下采样输出20张特征图。C3层设有30个大小为1×3步长为1的卷积核,输出30张特征图。S3层对C3层30张特征图下采样输出30张特征图。全连接层神经元个数设置为50,每个神经元都与S3层的所有神经元连接。输出层神经元个数设置为2,输出分类结果。卷积层激活函数采用ReLU函数,输出层激活函数采用softmax函数。对比算法SVM类型为C-SVC,核函数采用径向基函数,BP算法设有3个隐藏层,每个隐藏层设有20,40和20个神经元。数据集分为训练数据和测试数据,将训练数据的40%,60%,80%和100%作为5个训练集,测试数据作为测试集。分别将5个训练集放入模型中训练,共迭代8 000次,每次训练好的模型用测试集进行验证。对比实验采用100%的训练数据作为训练集,测试数据作为测试集。采用精确率、召回率、F-score、准确率四个评价指标评价模型性能,对实验结果进行详细分析。分析结果表明CNN算法可对K和F型恒星光谱快速自动分类和筛选,训练集数据量越大,模型泛化能力越强,分类准确率越高。对比实验结果表明采用CNN算法对K和F型恒星光谱自动分类较传统机器学习SVM和BP算法自动分类准确率更高。     

基于径向基神经网络的白矮主序双星自动分类

白矮主序双星的光谱特征是决定其类型的关键因素,如何有效提取恒星光谱的特征是亟待解决的问题。提出一种新的方法,通过构建模型捕获恒星光谱数据的特征,对SDSS-DR10海量光谱进行自动分类。径向基神经网络作为一种有效的计算模型,在数值逼近和目标分类上均有较好的表现效果,但由于目前神经网络超参数的确定大多数依赖于实验经验,很大程度上制约了算法能力的发挥。在分析白矮主序双星光谱数据的高维分布特征的基础上,提出一种基于径向基神经网络的白矮主序双星自动分类模型,并以白矮主序双星的光谱特征为导向,针对恒星光谱提出了中心准则和宽度准则以确定神经网络的超参数,大幅度提高了模型的准确度。实验对分类模型进行数值训练并使用训练的模型对SDSS-DR10光谱数据进行白矮主序双星的自动分类,共发现4 631个白矮主序双星,通过Simbad,NED和Google交叉验证后发现其中有25个是未予以收录的新候选体。实验结果验证了该模型在大规模白矮主序双星自动分类任务中的有效性,新发现的白矮主序双星也为特殊天体的进一步研究补充了有效数据。     

基于分形脊波神经网络的遥感图像分类研究

在分形理论和脊波神经网络的基础上，综合利用彩色遥感图像的光谱、纹理和形状特征，提出了一种彩色遥感图像的分类新方法．该方法把彩色图像的蓝、绿、红波段作为3个光谱特征，由分形理论计算的DBC维和多重分形维数作为2个纹理特征，平均不变矩作为1个形状特征，并利用对曲线具有极强方向识别能力的脊波神经网络作为分类器．实验结果表明，提出的彩色遥感图像分类方法具有较高的分类准确率和较强的抗噪音能力．     

基于一维卷积神经网络和拉曼光谱的肺炎支原体菌株分类

肺炎支原体是造成人类呼吸系统疾病的主要原因.临床中,患者感染不同肺炎支原体症状极为相似,很难根据症状判别肺炎支原体类型并对症给药.因此,准确判别肺炎支原体菌株类型对于发病机理和疾病流行病学研究以及临床精准治疗具有重要意义.拉曼光谱具有快速、高效、无污染等优点,在生物医学领域逐渐得到越来越多研究者们的关注.一维卷积神经网...