基于SVM的高维多光谱图像分类算法及其特性的研究

针对传统模式分类算法在处理高维多光谱图像时面临的困难，文章把支持向量机(Support Vector Machine，SVM)用于高维多光谱图像分类，有效地减弱了Hughes现象，获得了比传统方法更好的分类精度。研究了高维多光谱图像分类中SVM的分类性能与训练样本数目和数据维数之间的关系。实验结果表明，与传统模式分类方法相比，SVM具有分类精度高、推广性强的优点，尤其是当学习样本数目较少、数据维数高时，SVM的优势更加明显。     

基于Bhattacharyya距离准则的核空间特征提取算法

提出了一种新的以Bhattacharyya距离为准则的核空间特征提取算法．该算法的核心思想是把样本非线性映射到高维核空间．在核空间中寻找一组最优特征向量，然后把样本线性映射到低维特征空间，使类别间的Bhattacharyya距离最大。从而保证Bayes分类误差上界最小．采用核函数技术，把特征提取问题转化为一个QP(Quadratic Programming)优化问题．保证了算法的全局收敛性和快速性．此算法具有两个优点：(1)该算法提取的特征对数据分类来说更有效；(2)对于给定的模式分类问题，算法可以预测出在不损失分类精度情况下所必须的特征向量数目的上界，并能够提取出分类有效特征．实验结果表明，该算法的性能与理论分析的结论相吻合，优于目前常用的特征提取算法．     

极坐标下卡尔曼滤波算法的研究

针对在某些情况下直角坐标系中卡尔曼滤波算法运算量较大、模型建立比较困难等缺点,提出了极坐标下的卡尔曼滤波算法。该算法选用极坐标作为滤波坐标系,建立了目标运动模型和外推方程,给出了增益阵的一种新的计算方法。仿真结果表明,提出的滤波算法在数据率较高时,滤波精度略低于直角坐标下卡尔曼滤波算法,优于自适应α－β滤波算法,但运算量明显低于直角坐标下卡尔曼滤波算法。     

现代·传统——国电西藏尼洋河流域集控中心规划建筑设计

文章以西藏尼洋河流域集控中心规划建筑设计为例,对如何在城市环境中进行水电站管理中心营地建设,如何创造出满足生产的办公场所、适合人居的生活环境进行了探讨,以期对未来水电站管理中心营地的建设发展提供一些借鉴。     

支持向量机与纠错编码相结合的多类分类算法

提出了一种基于纠错编码的支持向量机多类分类算法(ECC-SVM)，并在理论上研究了该算法的推广性与编码长度、码间汉明距离、编码顺序以及每个SVM推广性之间的关系，给出了这种关系的数学表达，为提高该算法的推广能力指明了方向。把目前广泛使用的1-v-R SVM多类分类算法作为该算法的一个特例，分析了它的推广性。计算机仿真数据和多光谱遥感图像分类实验结果表明，ECC-SVM具有更快的分类速度和更高的分类精度，同时验证了本理论分析的正确性。