机器学习在模式识别中的应用研究

近年来,机器学习已成功应用于模式识别领域,并且随着研究的深入,机器学习的相关算法和理论又得到了完善和扩展。本文将阐述机器学习的基本概念．分析应用在模式识别领域的若干机器学习算法。     

车载激光点云数据精度的提高方法

车载LiDAR系统是继机载LiDAR系统后的又一新型测绘方式,在数据采集和处理中有着自身独特的方法。以StreetMapper360系统采集的一段厦门环岛路数据为例,分析了车载LiDAR系统的主要误差来源,随后从激光点云的数据采集、GPS/IMU数据后处理、安装误差角检校与地面控制点调整4个方面讲述了改善车载激光点云数据精度的方法,最后用地面检查点验证了点云成果数据的精度。     

机器学习下的新冠疫情新闻文本分类

针对新冠疫情新闻繁杂及信息类别不明等问题,采取新冠疫情新闻语料作为数据集,分别利用TF-IDF与Word2vec提取特征值,与支持向量机、朴素贝叶斯等基于机器学习的模型结合对文本进行分类,并与TextCNN及BiLSTM 2种深度学习模型的分类实验结果进行对比分析。实验结果表明：同等条件下,基于新冠疫情主题新闻数据集,SVM+TF-IDF模型在几种分类器中效果最好,精确度达到84%,F1值达到83%。     

统计机器学习研究

通过将正则化框架引入到统计学习中来,介绍了几种当前流行的统计学习机器,分析了他们的性能,并探讨了快速求解算法.     

用于分类的支持向量机

支持向量机是20世纪90年代中期发展起来的机器学习技术,建立在结构风险最小化原理之上的支持向量机以其独有的优点吸引着广大研究者,该文着重于用于分类的支持向量机,对其基本原理与主要的训练算法进行介绍,并对其用途作了一定的探索．     

激光强度值改正模型与点云分类精度

基于激光雷达方程分别建立线性、对数、三次多项式物理改正模型对各种因素进行改正,利用改正后的强度值进行点云分类,并对三种模型改正效果、分类精度、运算效率等进行比较分析.结果表明:线性模型分类精度最低,运算量小;三次多项式模型分类精度最高、运算量大;对数模型精度与运算量兼顾.因此,在实际应用中,可根据数据量大小、运算速度要求、分类精度要求等合理选择三种模型进行点云分类,点云分类后能为后续建模提供数据基础和特征约束,实现对点云的有效压缩并提高点云建模的效率.     

基于SVM的分类方法综述

本文介绍了文本分类的起源,常用的几类文本分类方法及基于SVM(Support Vector Machines)文本分类的基本原理和方法。并在分析文本分类的特点的基础上比较了在文本分类中应用SVM的优势及存在的问题。最后总结出了SVM在文本分类中应用的两个主要研究方向。     

SVM及其在文本分类中的应用

文本分类是指按照预先定义的主题类别,为文档集合中的每个文档确定一个类别,文本分类是文本挖掘的一个重要内容。本文分别介绍了文本分类技术和支持向量机的概念,并阐述了支持向量机（SVM）在文本分类中的应用及其发展趋势。     

基于移动平台的激光点云与数字影像融合方法

车载激光扫描系统集成多种传感器,可以在获取三维激光点云数据的同时获取相应的光学影像,融合处理激光点云和光学影像能实现城市场景的真彩色三维可视化.本文讨论如何在车载系统的基础上对纹理的采集,纹理的重建进行研究和改进.分析了采集平台、采集的原则,建立了激光点云与数字影像的映射关系,生成彩色激光点云,重点阐述原始彩色激光点云...     

支持向量机在云检测中的应用

针对地球观测系统/中分辨率成像光谱仪影像资料中的云检测工作,提出了基于支持向量机SVMs(support vector machines)的遥感影像分类方法.分析了云检测过程中的特征提取和选择,建立了基于支持向量机的遥感影像分类模型,并针对陆地、海洋2种不同的下垫面进行了云检测试验.云检测结果中,云与陆地、水体、积雪准确地区分开来.结果表明,特征选择对云检测起到了积极的作用,同时也证明了支持向量机方法在遥感影像分类中的优势.     

机器学习模型在地下水埋深模拟中的适应性分析

基于京津冀气象、社会资料及地下水埋深数据,构建支持向量机(SVM)、循环神经网络(RNN)和长短期记忆神经网络(LSTM)模型对京津冀地区13个城市地下水埋深进行了模拟,并以确定系数、均方根误差、平均绝对百分比误差、纳什系数对3个模型的适应性进行了评价。结果表明：LSTM模型模拟效果最好,其次是RNN,SVM最差;不同城市基于LSTM模型进行地下水埋深模拟时参数调整最少,适应性最好,SVM模型参数调整最多。将3个模型应用于随机选择的6个测站进行验证,在华北地区浅层地下水埋深模拟方面,LSTM模型模拟精度和可信度最好,适应性最强,是该地区地下水埋深模拟的首选机器学习模型。     

基于支持向量机的云相态分析

为了提高云相态的反演精度,结合MODIS多通道的光谱特性,首先提出了分别针对白天和夜间的MODIS云检测方法,得到了较高精度的云检测结果,为云相态反演奠定了基础。然后,依据不同相态云在不同光谱的辐射特性,选取了合适的特征参量,采用支持向量机方法反演云相态,在2009年7月7日的一次大暴雨过程中的云顶粒子相态反演试验中取得了较好结果。结果表明：精确的云检测结果有利于提高云相态反演精度,利用支持向量机的方法反演云相态是可行的,并且反演结果具有较高的精度。     

基于激光强度的建筑立面点云分类及信息提取

针对地面三维激光扫描仪的点云激光强度值,提出了一种基于激光雷达方程的数据模型改正方法.通过将激光强度值进行角度和距离改正,分析数据模型的改正效果,并利用改正后的激光强度值对建筑立面点云进行分类及建筑立面信息的特征提取.实验表明:改正模型能对点云激光强度值进行有效补偿,使得同类物体的激光强度值趋于统一.因此,利用改正后的点云激光强度值对建筑立面点云进行分类及特征提取,能够保证分类精度及目标识别效果.     

基于机器学习模型的多层土壤湿度反演

为了获取深层土壤湿度缺测值,采用支持向量机、BP神经网络和随机森林3种机器学习算法,在表层至深层土壤中利用主成分分析法选择与土壤湿度相关性显著的气象因子作为输入数据,建立多层土壤湿度反演模型反演了不同深度的土壤湿度。结果表明:随机森林模型模拟结果更加稳定,反演效果更佳;受气象因子驱动的影响,3种机器学习模型对地表0~10.cm深度内土壤湿度的反演效果更佳,对深层土壤湿度的反演效果随着深度增加而变差;增加表层土壤湿度及不同深度土壤温度作为驱动因子可以有效提高机器学习模型对深层土壤湿度的反演能力。     

支持向量机的学习方法综述

支持向量机是一种基于统计学习理论的新型机器学习方法,由于其出色的学习性能,已经成为当前机器学习界的研究热点.详细总结了支持向量机的学习方法,其学习方法主要分为3大类:分解算法、多变量更新算法和序列算法,比较了它们的优缺点;最后指出了学习算法的研究方向.     

交互支持向量机学习算法及其应用

交互支持向量机学习算法能解决一些监督学习问题中学习样本较少的问题,它以支持向量机（ Ｓ Ｖ Ｍ ）方法为基础,将设计分类器变成一个交互的过程,即： 根据对已知样本进行的 Ｓ Ｖ Ｍ 分类器设计,主动采样选择“有用”的新样本,并进行下一步 Ｓ Ｖ Ｍ 分类器的设计。与普通 Ｓ Ｖ Ｍ 法相比,该方法所需的样本量大大降低,而且可能达到更好的推广能力。文本信息过滤问题的实例说明了该算法的有效性。     

浊点萃取法富集利尿剂Furosemide

利用表面活性剂C12E10水溶液在温度高于浊点时形成两相的行为对溶液中痕量利尿剂Furosem ide进行了分离特性的研究,考察了盐、表面活性剂、Furosem ide的浓度以及温度的影响。加入硫酸钠可将C12E10溶液的浊点降至常温(20℃),有利于浊点萃取操作。提高盐浓度有利于提高Furosem ide的富集倍数,但对萃取效率几乎没有影响;提高初始溶液中的C12E10浓度将降低Furosem ide富集倍数,提高萃取效率。在30℃~50℃之间,平衡温度的升高有利于提高Furosem ide富集倍数。在温度为40℃时,采用2 g.L-1,C12E10和125 g.L-1硫酸钠体系,富集倍数为165.3倍,相体积比为0.003 7。     

一种支持向量分类学习算法

分析样本与KKT条件之间的关系以及新增一个样本点对原支持向量分类学习结果的影响,并针对支持向量机在较多训练样本时需要较大的计算量和内存的问题,基于已有的算法提出了一种新的学习算法．实现了对样本集的有效压缩,有利于运算速度的改善．     

基于同名控制点的三维激光点云配准

多站点云数据配准是三维激光扫描数据处理的重要环节.基于同名控制点的七参数配准模型是一种具有较高精度的算法模型.推导了七参数配准的过程,编程实现了多站三维激光点云的配准,并验证了配准结果的精度.     

一种基于聚类的支持向量机增量学习算法

提出了一种基于聚类的支持向量机增量学习算法.先用最近邻聚类算法将训练集分成具有若干个聚类子集,每一子集用支持向量机进行训练得出支持向量集;对于新增数据首先聚类到相应的子集,然后计算其与聚类集内的支持向量之间的距离,给每个训练样本赋以适当的权重;而后再建立预估模型.此算法通过钢材力学性能预报建模的工业实例研究,结果表明:与标准的支持向量回归算法相比,此算法在建模过程中不仅支持向量个数明显减少,而且模型的精度也有所提高.