基于TM影像的伏牛山植被覆盖度变化研究

为研究伏牛山地区植被覆盖的变化情况,利用1991、2002和2011年三期TM卫星遥感影像,基于NDVI的像元二分模型,对整体植被变化趋势进行研究,并比较三期变化;同时结合数字高程模型对不同海拔的植被覆盖变化做对比分析;最后,分析气象因子的变化趋势.研究结果表明:(1)从分布上看,研究区整体植被覆盖状况较好.植被覆盖度随海拔的上升先增加后降低,临界点在海拔1 700¹ 800m之间.(2)从变化上看,21年以来,植被覆盖度呈增加趋势.海拔高度1 650m以下区域的植被覆盖度变化情况最为明显,这是由于人类活动主要集中在海拔较低的区域,而海拔高于1 650m的区域变化较小,受人类活动的影响较小.(3)从21年温度和降水变化来看,研究区域内植被覆盖度和温度的变化趋势并不一致,而和降水量变化的趋势有较高的一致性,具体表现为随降水量的增加,植被覆盖较好的Ⅳ级(F≥0.7)植被覆盖度区域面积增加.     

基于支持向量机和遗传算法融合的入侵检测

为了研究网络异常入侵检测问题,将支持向量机（SVM）和遗传（GA）算法融合并应用于入侵检测领域,区分正常和异常的用户行为,实现对网络系统的入侵检测.传统SVM算法易产生训练参数选择不当,难以获得较高的检测效率和分类精度等问题.针对此问题,提出了一种优化的基于SVM-GA融合的入侵检测方法,首先对网络入侵数据进行归一化处理简化输入,然后通过遗传算法对SVM训练参数进行同步优化,最后采用SVM算法对网络数据进行检测,分类识别得到网络入侵结果.仿真实验结果表明,该融合算法训练时间短、检测精度高、误报率和漏报率低,是一种有效可行的入侵检测方法.     

基于支持向量机的pH中和过程辨识

针对pH中和过程具有强非线性、时变性的特点,提出一种基于支持向量机的pH中和过程模型辨识方法.该方法采用结构风险最小化准则,保证网络具有较强的推广特性,通过求解凸二次规划确保网络结构全局最优化自动生成.利用支持向量机建立辨识pH中和过程辨识模型.仿真结果表明模型辨识精度高,泛化性能好,模型有效且易于实现.     

云南大理苍山保护区植被覆盖度动态变化遥感监测与分析

大理苍山物种多样性丰富但生态系统相对脆弱,评估苍山植被覆盖度为改善苍山生态环境和物种多样性具有重要意义。利用ENVI遥感软件对大理苍山自然保护区的4期遥感图像进行处理,提取归一化植被指数(normalized difference vegetation index, NDVI),利用像素二分模型对大理苍山自然保护区的植被覆盖度进行估算,对植被覆盖度的变化原因进行综合分析。结果表明:2001—2005年植被覆盖度从0.32上升到0.38,上升了0.06;2005—2009年植被覆盖度由0.38下降到0.35,下降了0.03;2009—2011年,植被覆盖度由0.35上升到0.45,上升了0.1。可见综合分析植被覆盖度的年际变化对大理苍山的植被保护和维护生物多样性具有重要的应用参考价值。     

基于层次型支持向量机的人脸检测

复杂背景中的人脸检测可广泛应用于人脸识别、人机交互等方面。但目前大部分人脸检测方法中存在分类器训练困难和检测计算量大等问题。提出了一种基于层次型支持向量机的正面直立人脸检测方法,在这两方面作了改进。这种结构的分类器由一个线性支持向量机组合和一个非线性支持向量机组成,由前者在保证检测率的情况下快速排除掉图像中绝大部分非人脸区域,后者对人脸候选区域进行进一步确认。在卡内基梅隆CMU等数据库上的实验证明了这种方法不仅具有较高的检测率和较低的误检率,而且具有较小的计算量。     

基于模糊支持向量机的超光谱遥感图像分类

支持向量机（SVM）应用到超光谱图像分类中有较好的识别效果，但它在解决多分类问题时，存在不可分区域的局限性．为此提出了一种基于一对一SVM的模糊支持向量机，并将该方法应用到超光谱图像分类实验，结果表明该方法不仅改善了不可分区域的存在问题，而且比传统的SVM在分类精度上有明显的提高．     

基于遥感技术的地表水源地植被覆盖度的动态变化

植被覆盖及其动态变化可以有效地反映出区域环境变化特征,监测植被变化在评价区域生态环境质量中是不可缺少的一部分。数据源采用Landsat遥感影像,在运用归一化植被指数及像元二分模型的基础上,提取出2002、2009、2018年珲春老龙口水库地表水源地植被覆盖度,并进行动态变化分析。结果表明:2002—2018年珲春老龙口水库地表水源地区平均植被覆盖度值呈先减少后增加的趋势,2009—2018年,该研究区植被覆盖度处于相对良好的状态,中高度植被覆盖区与高度植被覆盖区占总面积的比重达到86.99%。从空间上来看,地表水源地的东北部分植被覆盖度较高,由东向西呈降低趋势。高植被覆盖区变化明显,近20年内增加了1 818.80 km~2。政府政策、生态恢复工程、人类活动等是影响珲春老龙口水库地表水源地植被覆盖度的主要因素。     

基于支持向量机回归的曲线拟合

在科学实验研究中,经常需要实验的观测数据,来寻求两个物理量之间近似的解析函数关系和曲线方程,这就是人们常说的数据拟合或曲线拟合,而且经常要从这些已知数据中总结规律,用以预报未知。本文引入支持向量机作为背景进行曲线拟合。此法能满足在小样本情况研究统计学习规律的理论,通过引入结构风险最小化准则来控制学习机器的容量,从而刻画了过度拟合与泛化能力之间的关系。     

基于支持向量机的课堂教学质量评价

对课堂教学质量及时、客观、准确的评价有助于及时发现教学过程中存在的问题,也是提出整改措施、实施教学管理的重要前提。传统的课堂教学质量评价方法存在着主观性大、计算繁琐以及时效性差等问题。文章在分析和研究了多种课堂教学质量评价方法的基础上,提出了基于支持向量机的课堂教学质量评价模型。理论和实验表明,该模型具有较好的评价效果,同其它方法相比,具有评价精度高、实现速度快及可操作性强等特点,适合对高校教师课堂教学质量的评价。     

基于边界支持向量的自适应增量支持向量机

该文提出一种基于边界支持向量的自适应增量支持向量机,对每轮训练的样本集提取其边界支持向量,从而减少训练向量数目,提高训练效率.通过自适应调整参数,可以更好地适应新增样本.采用UCI(University of California Irvine)机器学习数据库和Statlog数据库对本文方法进行验证,实验结果表明本文方法的训练时间优于标准支持向量机和一般增量支持向量机.其分类精度也明显优于一般增量支持向量机,在训练数据较少时,其分类精度与标准支持向量机相差不大,但随着训练数据的增加,分类精度逐渐超越标准支持向量机.该文的方法更适合大规模数据集的增量学习.     

基于支持向量机的上市公司财务危机预警研究

近年来,我国经济飞速发展,但也存在影响经济发展的因素,它可能使企业陷入财务危机,因此非常有必要建立财务预警系统。本文通过建立支持向量机预警模型对财务困境进行预测,经实证研究得知该模型对检验样本的预测正确率为82.5%,说明支持向量机方法对上市公司的财务危机具有较好的预测效果。     

基于对应分析的支持向量机分类研究

提出了基于对应分析的支持向量机分类模型。该模型通过对应分析可以同时对变量及样本进行降维和消除相关性,从而在降低SVM训练时间的基础上有效地提高了SVM的分类精度。实验结果表明该方法是可行的。     

基于遗传算法的最小平方支持向量机

支持向量机和最小平方支持向量机的分类中,采用人工方法选取特征子集和参数,需要付出较高的时间代价.为此,本文提出基于遗传算法的最小平方支持向量机,借助于遗传算法的全局随机搜索能力,自动确定特征子集、参数,为特征子集、参数的优化选择提供了一条有效途径.     

基于支持向量机的小样本数据概率分布模式自动识别

在装备可靠性工程领域,小样本数据概率分布模式识别是亟需解决的一个难题.统计学习理论是专门研究小样本情况下机器学习规律的理论,支持向量机是当前最新的、基于统计学习理论的机器学习算法.根据现代统计学原理提取了数据分布特征参数,采用支持向量机分类算法构建了小样本数据概率分布模式自动识别模型.测试结果表明,模型对小样本数据概率分布模式具有较强的识别能力.     

基于支持向量机的空气降尘预测

支持向量机(Support VectorMachine,SVM)是近年来受到广泛关注的一种学习机器.将支持向量机引入环境时序预测中,有效地求解了空气中降尘的预测问题.实验结果表明,支持向量机不仅具有较强的理论背景,而且具有更强的预测预报能力.     

基于RSBRA离散化方法的支持向量机集成

提出一种新的基于离散化方法的支持向量机集成算法,该算法采用粗糙集和布尔推理离散化方法构造有差异的基分类器,进一步提高了集成学习机的分类性能.实验结果表明,所提算法具有明显优于单一支持向量机的分类性能,并能取得比传统的集成学习算法Bagging和Adaboost更高的分类正确率.     

基于小波变换和支持向量机的遥感图像目标识别方法

提出了将小波变换结合灰度共生矩阵法,以用于提取目标样本图像特征信息.建立了基于支持向量机方法的分类器,以对高分辨率遥感图像进行目标识别.实验结果表明:该方法快速、高效且具备一定的鲁棒性.     

基于支持向量机的滚动轴承故障诊断

滚动轴承是各种机械设备中最常见的零部件,同时也是易损坏的零件之一.机械的许多故障都与滚动轴承有关,它的运行状态是否正常往往直接影响到整台机器的性能.因此开展对滚动轴承的故障诊断具有很现实的意义.再分析了支持向量机的基本理论后,提出了基于支持向量机的滚动轴承故障诊断方法,并且进行了MATLAB仿真实验,验证支持向量机的诊断效果,实验结果表明此方式适用于滚动轴承故障诊断.     

基于支持向量机的遥感图像分类研究

支持向量机(Support Vector Machine,SVM)是一种基于统计学习理论的新型机器学习算法.通过解算最优化问题,在高维特征空间中寻找最优分类超平面,从而解决复杂数据的分类及回归问题.将支持向量机理论应用到遥感图像分类的研究还处在初级阶段,传统分类算法应用于遥感图像分类存在运算速度慢、精度比较低和难以收敛等问题.从支持向量机基本理论出发,建立了一个基于支持向量机的遥感图像分类器.用遥感图像数据进行实验,并将结果与其它方法的结果进行了比较分析.实验结果表明,利用SVM进行遥感图像分类的精度明显优于神经网络算法和最大似然算法分类精度.     

基于支持向量机的轧制过程灵敏度分析

利用支持向量机(SVM)建立轧制力模型,并由该模型分别对各输入变量进行偏微分,以计算轧制过程出口厚度灵敏度系数,从而解决解析方法难以求解的轧制过程模型“代数环”问题．对轧机第一机架试验仿真,结果表明,基于SVM方法获得的灵敏度具有很高的精度,且由灵敏度确定的控制量可以获得很好的控制效果,同时也表明第一机架辊缝对出口厚度的影响比张力要大,以辊缝控制方式调节出口厚度比张力控制方式具有更高精度．