基于边界样本欠取样支持向量机的电信用户欠费分类算法

电信用户欠费预测是一个不平衡数据集分类问题.针对传统支持向量机(SVM)对不均衡数据集中少数类检测精度低的问题,基于分类平面由边界样本的位置决定,提出了一种通过删除部分多数类边界样本的方法来改善传统SVM算法的不足,将该算法和其他几种算法在电信数据和多个不平衡UCI数据集上的实验结果进行对比,验证所提算法对少数类的检测精度和总体评价指标都有所提高.     

基于KFCM的子空间样本选择方法

针对训练样本中包含边界样本数量的多少对支持向量机分类的精度起主要作用,提出基于核模糊C均值算法(KFCM)先对样本集进行聚类,然后利用得到的模糊隶属度矩阵计算样本的模糊熵,通过设定阈值进行子空间样本的选择,最后将得到的子空间样本作为支持向量机(SVM)的训练样本。实验结果证实,由于应用了KFCM方法克服了一些传统样本选择方法在不知道样本类别的情况下,其无法较准确地对任意形状的簇的子空间样本进行选择,同时该方法保留了典型样本,减少了训练样本的数量,从而保证了分类器的性能和较高的训练效率。通过实验比较,该方法在选取子空间样本的性能上比传统的方法要好。     

基于混合SVM与AdaBoost分类的面部表情识别的人机交互

基于二维主元分析（2DPCA）方法提出一种混合支持向量机（SVM）与AdaBoost算法的面部表情分类方法。首先,该方法对灰度图像进行人脸检测,通过小波变换和二维主元分析得到特征数据,有效地减少了计算量;然后,采用SVM方法对特征数据进行分类学习,得到初始分类器;最后,通过AdaBoost算法对SVM分类结果进行进一步加强,形成强分类器,提升了分类能力,确保了表情识别工作,并实现基于面部表情识别的智能轮椅的人机交互的鲁棒性。实验结果表明：该方法不仅有效地提高了样本的分类能力,而且降低了计算的复杂度,在智能轮椅人机交互实验中的平均识别率达到92.5%。     

基于LightGBM的车载激光雷达点云分类

车载激光扫描系统获取的海量三维点云自动分类对目标识别和重建有着重要意义，传统点云分类需要人工干预，而现有的自动分类算法大多存在分类准确率低和运算成本高等问题。对此，提出了一种基于LightGBM模型的车载点云自动分类方法，该方法首先计算点云的表面变化三维特征、密度特征、高程特征以及快速点特征直方图，并计算点云法向量与其邻域点的法向量夹角及与水平面的夹角作为约束特征，将所有结果合并得到48维特征向量，然后构建LightGBM模型对点云特征向量训练完成分类预测。试验表明该算法能够准确高效地完成车载雷达点云的自动分类，比对照组算法总精度平均提高8.1%,Kappa系数平均提高18.9%,计算时间平均减少73.7%。     

基于SVM的通信设备部件识别研究

为解决大型通信设备的部件识别问题,提出了一种将SIFT特征和SVM相结合的分类方法。首先,通过SIFT算法得到样本图片的feature集即特征向量,并通过K-means聚类算法得到中心矩阵,再分别将所有feature集与中心矩阵作欧氏距离计算并统计最小值位置,即可得到输入数据;然后,采用以高斯径向基函数为核函数的一对多SVM分类器进行训练;最后,对新的输入数据进行检测,并得到输出结果。试验结果表明,基于SVM的分类方法能够有效提高分类正确率,并达到92%以上。     

基于优化Adaboost迭代过程的SVM集成算法

为提高Adaboost算法迭代过程中生成基分类器的分类精度以及简化整个集成学习系统的复杂度,文章提出了一种优化Adaboost迭代过程的SVM集成算法。该算法提出了一种在其迭代过程中加入样本选择和特征选择的集成方法。通过均值近邻算法对样本进行选择,并利用相对熵法进行特征选择,最后利用优化得到的特征样本子集对基分类器SVM进行训练,并用加权投票法融合各个SVM基分类器的决策结果进行最终判决。通过对UCI数据集的仿真结果表明,本算法与支持向量机集成算法相比,能够在更少的样本以及特征的基础上,实现较高的识别正确率。     

基于二值神经网络的大场景点云分类

近年随着3维数据采集技术不断发展,大场景 点云数据的获取越来越方便。目前深 度学习网络框架在2维图像处理领 域越来越成熟,而大场景点云是一种3维无规则化的数据,3维卷积神经网络直接处理大场 景3维数据会存在分类精度低和计 算复杂等问题。因此为了有效解决基于深度学习的点云分类任务中存在的计算时间长和分类 精度低的问题,本文提出基于二值 神经网络的大场景点云分类方法,针对不规则的3维点云数据设计特征值计算方法,基于IR -Net二值神经网络处理输入的点云 特征图像,进一步采用Dynamic ReLU激活函数,提高神经网络的计算效率,最后得出点云分 类结果。实验结果表明,所提出 的方法在Oakland数据集上分类精度达到97.6%,在GML数据集中取得 了92.3%和97.2%的分类精度,实验结果证明Dy -ResNet 能够有效提升了点云分类的精度,减少计算的复杂度,并提高了训练效率。     

一种改进的快速嵌入式字符识别方法

针对手持式字符识别系统开发中系统对实时性要求较高、系统资源有限以及传统的支持向量机(SVM)分类方法难以同时满足识别率和识别速度的缺点,提出一种快速的SVM(FCSVM)分类算法。对支持向量集采用变换的方式,用少量的支持向量代替全部支持向量进行分类计算,在保证不损失分类精度的前提下使得分类速度较传统SVM算法有较大提高。实验结果表明,FCSVM算法较大幅度地减少了计算复杂度,提高了分类速度,尤其在嵌入式系统中效果更加明显。     

基于SVM-DDA改进RBF网络的LED焊点检测方法

为了提高LED灯带生产中焊点类型被自动地识别的精度,提出了基于SVM-DDA的改进RBF网络的检测方法。它首先使用动态衰减算法(DDA)确定SVM的结构及参数,然后利用SVM与RBF网络的近似性,根据SVM确定RBF网络的结构及初始化参数。实验结果表明,该方法减少了训练的迭代次数,提高了焊点识别的准确率,并且对于样本较少的类别也有较理想的分类结果。     

基于NN-SVM的Webshell检测方法

本文针对Webshell特征混淆选取新的特征参数,应用NN-SVM的分类特性来识别Webshell,来提高Webshell检测概率。由于样本正反混淆造成SVM分类准确率不够高,采用一种基于NN分类器的改进算法,综合距离与同异类点个数的因素,通过计算样本点对最近T个样本点的类别归属程度来对样本集进行修剪,从而减少正反类的混淆,以降低SVM的学习代价,提高泛化能力,在有效的减少学习样本数同时,解决小样本的机器学习问题,优化SVM对Webshell的检测能力。     

基于GMS-5卫星资料的云检测方法研究

由于云对地球气候变化起着重要作用,对云进行监测是研究全球气候 变化的重要环节。目前,各国的气象专家和爱好者们都十分关注对云的监测研究,因此云检 测已经成为了当前的热点话题。利用日本的GMS-5气象卫星资料进行了云检测研究。采 用红外亮温法对云进行粗检测,然后利用相似离度法、空间一致性检测以及可见光反射率进行晴 空检测。最终结果表明,通过结合使用这三种方法进行云检测,能够很好地判断是晴空辐 射还是含云辐射。     

基于正交匹配追踪的云检测算法研究

云的定量识别在卫星数据反演中非常重要。云检测结果的质量直接影响各种反演产品的准确性。云检测实际上是一种目标识别和分类的过程,检测的目的是为了特征提取,因此,大量信号与系统中的新兴算法都被运用于云检测的技术研究中来。匹配追踪算法是近年来发展起来的非常有效的特征提取算法,而正交匹配追踪算法更能有效提高信噪比。因此文中利用正交匹配追踪算法与多通道阈值法相结合,进行了卫星云图云检测的相关研究。通过MODIS的云检测试验表明,将正交匹配追踪算法应用到多光谱云图的信息处理中可以有效提高云检测的精度。     

Cloud fraction and cloud shadow property retrievals fromcoregistered TIMS and AVIRIS imagery: the use of cloud morphology forregistration

The Thermal Infrared Multispectral Scanner (TIMS) and the Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) were operated simultaneously from the ER2 aircraft during a March 1990 test over the Rio Bravo region, Belize. Coregistration of the imagery obtained by these two instruments is necessary to utilize the data effectively. A technique for registering the TIMS imagery to AVIRIS imagery is presented. It takes advantage of the morphology of the fair weather cumulus (FWC) clouds present in the imagery for estimating inter-sensor distortions. It relies on an iterative process in which skew, nearest neighbor sampling, and cross-correlation (1D and 2D) are applied. Comparison between the AVIRIS three-band ratio (3BR) imagery and the coregistered TIMS imagery shows that TIMS is superior in detecting thin cloud and cloud edge pixels, especially over shadowed background. Although the seven scenes analyzed in the study were obtained within the same one-hour time period and over the same geographical region, the optimum temperature threshold for cloud detection, with respect to the background temperature, varies significantly from 2.1 to 3.3°C. These values agree with the AVIRIS 3BR cloud fraction equivalent temperature thresholds to within 0.5°C. When applying a cloud shadow mask from the AVIRIS near infrared imagery to the coregistered TIMS background imagery, a 1°C temperature differential is found between the shadowed and nonshadowed background. This significant radiative cooling by Fair Weather Cumulus cloud shadows could introduce errors in surface emissivity retrievals by other Earth Observing System (EOS) investigators     

多源卫星遥感数据监测巢湖蓝藻水华爆发研究

湖泊蓝藻水华的精准动态监测,可为水利及环保部门评价污染水体的防治效果、优化和调整防治政策提供依据。论文以巢湖为研究对象,利用Landsat TM/OLI、HJ-1B CCD/IRS和NPP-VⅡRS三种不同空间分辨率的影像数据,通过归一化水体指数（Normalized Difference Water Index,NDWI）实现巢湖水域范围提取,利用归一化植被指数（Normalized Difference Vegetation Index,NDVI）和浮游藻类指数（Floating Algae Index,FAI）提取2010~2014年共22景巢湖蓝藻的爆发区域。进一步的,对NDVI和FAI两种方法计算的蓝藻爆发区域进行对比分析,评价Landsat、HJ-1B以及VⅡRS三种影像数据对巢湖蓝藻水华空间和时间的监测效果及适用性,进而结合气象因素分析不同气象因子对蓝藻水华爆发的影响。研究结果表明:（1）相比NDVI指数,FAI指数（Landsat和HJ-1B数据为主,VⅡRS数据辅助）能降低薄云对蓝藻水华提取效果的影响,可提高蓝藻水华爆发区域、程度的识别能力;（2）气象因子中气温和日照时长加重了蓝藻水华爆发的严重程度,降水则对蓝藻水华的爆发起到一定的抑制作用。综上所述,论文引入VⅡRS卫星影像研究巢湖蓝藻水华爆发,利用FAI指数降低薄云对蓝藻水华爆发面积提取精度的影响,取得的研究结果可为基于多源卫星遥感数据的巢湖蓝藻水华动态监测系统开发提供重要的方法支持,有利于推进卫星遥感技术在安徽省河长制和湖长制中发挥重要作用。     

Spatial and Temporal Varying Thresholds for Cloud Detection in GOES Imagery

A new cloud detection technique has been developed and applied to GOES-12 Imager data. The bispectral composite threshold (BCT) technique uses only the 11- and 3.9- channels, and composite imagery generated from these channels, in a four-step cloud detection procedure to produce a binary cloud mask at single-pixel resolution. An innovative aspect of this algorithm is the use of 20-day composites of the 11- and the 11-3.9- channel difference imagery to represent spatially and temporally varying clear-sky thresholds for the bispectral cloud tests. The BCT cloud detection technique has been validated against a ldquotruthrdquo data set generated by the manual determination of the sky conditions from available satellite imagery for four seasons during 2003-2004. The day-and-night algorithm has been shown to determine the correct sky conditions 87.6% of the time (on average) over the eastern two-thirds of the U.S. and surroundings oceans. The incorrectly determined conditions arose from missing clouds 8.9% of the time or from overdetermining clouds 3.5% of the time. Nearly 82% of the misses came in the presence of low clouds. Only small variations in algorithm performance occurred between day-night, land-ocean, and between seasons. The algorithm performed best in the warmer seasons (90.9% correct during the summer versus 81.8% correct in the winter season) and during the day, when the solar illumination provides enhanced surface atmospheric cloud contrast in the infrared channels, and least well during the winter season. The algorithm was found to slightly underdetermine clouds at night and during times of low sun angle and tends to be cloud conservative during the day, particularly in the summertime.     

Per-pixel classification of clouds from whole sky HDR images

Accurately identifying cloud types in images has multiple uses from meteorological science to computer graphics, especially as clouds are a major factor influencing atmospheric radiative transport. Understanding which cloud types are present in an image is typically performed on a coarse scale, where cloud types are identified per image, but do not permit a finer, per-pixel granularity of labelling cloud types. This paper presents a novel approach which solves this problem via a per-pixel classification method for identifying cloud types based on High Dynamic Range imagery of skies. The proposed method requires minimal labelling of the training data, and utilizes a hierarchical patch-based feature extraction technique which describes the statistical and structural features about regions of the image. This enables the extraction of representative feature vectors which are used for subsequent labelling. This approach is the first to produce a per-pixel classification of cloud types from a single image, with an accuracy of 84%. Additionally, when applied to whole sky cloud classification, our results produce a 98.3% accuracy, which is competitive with the state-of-the-art.     

亚米级全色遥感影像云地检测算法研究

为解决现行云地检测算法不适用于亚米级全色遥感 影像云地检测的问题,提出一种大尺度自适应匹配阈值(LS-AMTH,large-scale adaptiv e matching threshold)算法。算法构建包含光谱、纹理 与边缘特征的特征参量集,利用提升算法对影像子块进行大尺度云地分类;之后对大尺度分 类所得云地子 块进行阈值的自适应匹配选择,最终实现像素级云地区域检测并统计云地占比。试验表明, 针对亚米级全 色影像,本文算法准确度达97.3%,在复杂云地混合区域取得良好检 测效果。     

基于交叉自注意力机制的LiDAR点云三维目标检测

针对基于深度学习的激光雷达 (light detection and ranging,LiDAR) 点云三维(3D)目标检测对小目标的检测精度较低和噪声干扰问题,提出一种基于交叉自注意力机制的3D点云目标检测方法CSA-RCNN (cross self-attention region convolutional neural network)。利用交叉自注意力(cross self-attention,CSA)同时学习点云的坐标和特征,并设计多尺度融合 (multi-scale fusion,MF) 模块自适应捕捉各层级多尺度特征。此外,还设计重叠采样策略对感兴趣目标区域选择性地重采样以获得更多前景点,有效降低了噪声采样。在广泛使用的KITTI数据集上进行算法性能测试,结果表明,本文方法对行人等小目标的检测精度有较大提升,平均精度均值相比PointRCNN等4种经典算法均获得提升,显著提高3D点云目标的检测性能。     

FY-3B红外分光计亮温资料的云检测算法研究

结合风云三号B星(FY-3B)载红外分光计(InfraRed Atmospheric Sounder,IRAS)资料的通道特性,分析了云在不同波段的光谱特性。与通道亮温偏差阈值法不同,利用通道多光谱信息以及基于平滑梯度和通道信噪比的方法对FY-3B/IRAS资料进行云检测方法研究,更有效地识别出了有云视场点。对2013年1月9日00时至1月14日00时共5天的IRAS资料数据进行了偏差订正,然后采用以上方法进行了IRAS资料云检测。结果表明,经过云检测后的通道亮温偏差服从高斯分布,满足后期变分同化IRAS通道亮温的要求。     

Cloud tracking by scale space classification

The problem of cloud tracking within a sequence of geo-stationary satellite images has direct relevance to the analysis of cloud life cycles and to the detection of cloud motion vectors (CMVs). The proposed approach first identifies a homogeneous consistent cloud mass for tracking and then establishes motion correspondence within an image sequence. In contrast to the crosscorrelation based approach as adopted in automatic CMV detection analysis, a scale space classifier is designed to detect cloud mass in the source image taken at time t and the destination image at time t+δt. Boundaries of the extracted cloud segments are matched by computing a correspondence between high curvature points. This shape based method is capable of tracking in the cases of rotation, scaling, and shearing, while the correlation technique is limited to translational motion. The final tracking results provide motion magnitude and direction for each contour point, allowing reliable estimation of meteorological events and wind velocities aloft. With comparable computational expense, the scale space classification technique exceeds the performance of the traditional correlation-based approach in terms of reduced localization error and false matches