航空发动机磨损趋势变权重组合预测技术研究

由于航空发动机滑油中金属元素含量受许多复杂因素的影响,所以磨损趋势预测精度相对较低。针对这个问题提出了RBF网络变权重组合预测（RBFNN-VWCF）模型对航空发动机零部件的磨损趋势进行研究。由于输入维数对模型的预测精度影响较大,引入混沌理论中的C-C方法重构相空间确定模型最佳输入输出样本的维数,选取BP网络和SVM模型作为子预测模型对铁元素含量的变化趋势进行预测,将得到的预测值作为RBFNN-VWCF模型的输入变量进行变权重组合预测,利用正交最小二乘法训练网络模型,确定子模型不同时刻的权重,并对影响模型预测精度的参数进行讨论。仿真结果表明,RBFNN-VWCF模型充分利用了两种子预测模型的有效信息,更客观地反映了发动机零部件的磨损趋势,与单一模型相比具有较高的预测精度和很强的实用性,为发动机下一步的维修决策提供了有力支持。     

基于同质性降维和CMP算法的高光谱图像分类

针对高光谱数据维数高,波段间冗余信息大的问题,提出一种基于同质性降维和组合匹配追踪算法的高光谱图像分类方法。该方法首先利用均值漂移算法对高光谱图像进行分割得到同质性图像块,对同质性的图像块进行流行学习得到降维映射函数,然后由降维后的高光谱数据训练稀疏最小二乘支持向量机分类模型,为避免正交匹配追踪稀疏重构算法迭代次数多的缺点,提出一种基于组合匹配追踪的稀疏重构求解方法。通过高光谱数据的分类结果可以得出,该方法有效提高了高光谱图像的分类精度。     

基于相空间重构理论与递归神经网络相结合的股票短期预测方法*

根据股票指数时间序列复杂的非线性特性,提出以相空间重构理论与递归神经网络相结合的股票短期预测新方法.以相空间重构理论确定最佳延迟时间和最小嵌入维数,以最佳延迟时间为间隔的最小嵌入维数作为递归神经网络的输入维数,并按预测相点步进递归的生成训练数据进行短期预测,提高了预测精度和稳定性.该方法应用于沪市股票综合指数预测,其结果与传统的单纯用BP网络模型预测的结果相比较,精度大大提高,证明了该预测模型和方法在实际时间序列预测领域的有效性和实用性.     

基于多波段组合技术的土地利用/覆盖信息提取研究

针对不同土地利用类型,选取最佳解译波段组合.在此基础上,提出分层提取的方法,并用此法对土地利用/覆盖信息进行了解译,同时进行了精度评价.结果表明：TM1,4,5组合为解译居民点和水域的最佳波段组合,TM3,4,5组合为解译耕地、林地和草地的最佳波段组合;与非监督分类及监督分类相比,监督分类和非监督分类结合分层提取的总体分类精度分别从25.3%、71.6%提高到85.5%.     

LM-BP神经网络在遥感影像分类中的应用研究

有效地利用卫星遥感数据进行多类别识别并提高分类精度一直是遥感应用研究的前沿。以江苏南京江宁区为试验区,复合最佳指数提取的波段组合光谱信息、灰度共生矩阵提取的纹理信息和地理辅助数据及其派生信息,运用LM-BP神经网络实现遥感影像分类,并将分类结果与标准BP网络和传统分类方法进行了比较。研究表明,将卫星数据与地理辅助数据结合,发展多源多维信息复合的LM-BP方法可以大大提高分类的精度,是提高遥感应用性的有效途径。     

人工智能技术在遥感图像分类中的应用

研究遥感图像分类精度问题,遥感图像分类根据图像特征进行分类,然而其特征维数相当高且信息冗余严重,分类器不能降低特征维数,导致分类器计算量大,图像分类效率和正确率低。利用主成分分析(PCA)降维特征维数的优点,提出一种基于PCA-SVM的遥感图像分类方法。PCA-SVM算法首先采用LBP算子提取遥感图像特征,然后采用PCA对遥感图像特征进行降维处理,减少特征维数并消除特征冗余信息,获得对分类结果贡献大的特征,最后采用SVM进行遥感图像分类。仿真结果表明,PCA-SVM提高了遥感图像分类效率和正确率。     

基于独立分量分析的高光谱遥感影像决策树分类

为解决高光谱遥感影像波段众多所带来的信息丰富与“维数灾难”间的矛盾并提高分类精度,针对传统特征选择方法信息损失大的缺陷,基于EO-1 Hyperion高光谱遥感影像,采用独立分量分析(ICA)和决策树分类(DTC)方法联合运作流程,开展影像的地物分类实验研究,提出了ICA-DTC模型。首先运用ICA方法对影像进行特征提取,并以所提取的独立分量特征及其他地理辅助要素组成分类指标集;继而选择适当的指标组合和阈值设定判别规则,建立DTC模型进行影像的地物分类;最后将分类结果与传统最大似然分类法进行比对。结果显示：从分类的总体精度看,前者可达89.34%,高出后者18.8%;从单一地物的分类精度看,前者仅水体的精度略低于后者,而其他11种地物的精度都高于后者。理论分析与实验结果均表明,ICA-DTC模型可有效提高复杂地形条件下的地物分类精度。     

基于Gist和PHOG特征的场景分类

局部Gist方法提取的特征维数过高、计算复杂,单一的Gist特征不能很好地描述全局场景。为此,提出一种将改进的局部Gist特征与梯度方向直方图特征进行组合的场景描述方法。采用支持向量机作为分类器,在WS场景库中考察单一特征和组合特征的分类精度,在OT场景库下研究不同数量训练样本对于分类精度的影响。实验结果表明,与全局Gist、局部Gist等方法相比,该方法能降低计算的复杂度,且提高分类正确率。     

火焰颜色及动态特征的选择和探测方法

在一般光照前提下对火焰的时空、颜色等特征进行选择时,为了找到适应火焰区域探测的最佳特征,在不同颜色特征中使用PCA特征选择方法对各颜色通道特征进行降维,然后使用Relief特征选择方法确定动态和颜色特征的最佳分类组合特征顺序,最后使用协方差矩阵对各特征的分类贡献效率进行验证。实验过程中为了比较分析采用了3组融合特征,实验结果表明通过Relief和PCA特征选择方法得到的融合特征在火灾监控系统中表现出较好的识别精度和较高的运行效率。     

增大特征空间复杂度的方法——以城镇下垫面遥感分类为例

在城镇复杂场景中对下垫面做遥感分类,通常要求分类特征空间具有相应的复杂度。增加特征空间维数(即增加描述符的数量),并保持各特征维之间的独立性,是满足这种复杂度的主要方法。为此,提出了3种增加特征空间复杂度的方法。它们对现有基础描述符做扩展,并保证扩展者与原描述符彼此独立,这3种方法是:(1)邻域标准差权值。即对某基础描述符,以若干指定尺度邻域的灰度标准差作为中心像素权重,构成多尺度层;然后将这些尺度层按照一定规则组合,构成描述符扩展。它提取并组合不同尺度层信息,改善了描述符的表征能力;(2)多尺度纹元组合。以若干尺度的结构元素提取不同尺寸的亮、暗细节,以表征不同尺度的纹元,并以不同尺度的细节密度构成多尺度层;然后将这些尺度层单独使用,形成对基础细节密度描述符的扩展。它表征了不同地物在不同尺度层中的粗糙度;(3)多态密度维。在由若干基础描述符构成的特征空间里,以邻域元素的多特征相似性为测度,构成密度维,通过改变基础描述符的组合,形成多态密度维,实现对单一密度维的扩展,从而综合了多描述符的信息。精度验证表明:在不增加基础描述符数量的情况下,依靠这3种扩展增加特征空间维数,全局精度平均提高7.86%,同时计算复杂度无明显增大。     

基于奇异值特征的图像预处理及人脸识别

从增强图像的分类信息角度出发,对人脸图像做频域上的带通滤波预处理,来 提高奇异值特征的分类性能．给出了一组圆形滤波函数,并使用遗传算法来选择可分性较大 的频段,设计了染色体的表示方式和适应度的求法．实验证明预处理后奇异值特征的分类效 果比处理前有较明显的提高．     

Word segmentation of handwritten text using supervised classification techniques

Recent work on extracting features of gaps in handwritten text allows a classification of these gaps into inter-word and intra-word classes using suitable classification techniques. In this paper, we first analyse the features of the gaps using mutual information. We then investigate the underlying data distribution by using visualisation methods. These suggest that a complicated structure exists, which makes them difficult to be separated into two distinct classes. We apply five different supervised classification algorithms from the machine learning field on both the original dataset and a dataset with the best features selected using mutual information. Moreover, we improve the classification result with the aid of a set of feature variables of strokes preceding and following each gap. The classifiers are compared by employing McNemar's test. We find that SVMs and MLPs outperform the other classifiers and that preprocessing to select features works well. The best classification result attained suggests that the technique we employ is particularly suitable for digital ink manipulation at the level of words.     

The effect of spectral and spatial degradation of hyperspectral imagery for the Sclerophyll tree species classification

Hyperspectral imaging can be a useful remote-sensing technology for classifying tree species. Prior to the image classification stage, effective mapping endeavours must first identify the optimal spectral and spatial resolutions for discriminating the species of interest. Such a procedure may contribute to improving the classification accuracy, as well as the image acquisition planning. In this work, we address the effect of degrading the original bandwidth and pixel size of a hyperspectral and hyperspatial image for the classification of Sclerophyll forest tree species. A HySpex-VNIR 1600 airborne-based hyperspectral image with submetric spatial resolution was acquired in December 2009 for a native forest located in the foothills of the Andes of central Chile. The main tree species of this forest were then sampled in the field between January and February 2010. The original image spectral and spatial resolutions (160 bands with a width of 3.7 nm and pixel sizes of 0.3 m) were systematically degraded by resampling using a Gaussian model and a nearest neighbour method, respectively (until reaching 39 bands with a width of 14.8 nm and pixel sizes of 2.4 m). As a result, 12 images with different spectral and spatial resolution combinations were created. Subsequently, these images were noise-reduced using the minimum noise fraction procedure and 12 additional images were created. Statistical class separabilities from the spectral divergence measure and an assessment of classification accuracy of two supervised hyperspectral classifiers (spectral angle mapper (SAM) and spectral information divergence (SID)) were applied for each of the 24 images. The best overall and per-class classification accuracies (>80%) were observed when the SAM classifier was applied on the noise-reduced reflectance image at its original spectral and spatial resolutions. This result indicates that pixels somewhat smaller than the tree canopy diameters were the most appropriate to represent the spatial variability of the tree species of interest. On the other hand, it suggests that noise-reduced bands derived from the full image spectral resolution rendered the best discrimination of the spectral properties of the tree species of interest. Meanwhile, the better performance of SAM over SID may result from the ability of the former to classify tree species regardless of the illumination differences in the image. This technical approach can be particularly useful in native forest environments, where the irregular surface of the uppermost canopy is subject to a differentiated illumination.     

地物大小、对象尺度、影像分辨率的关系分析

遥感数据的分辨率越来越高, 给地物信息提取提出了新的挑战。利用基于像元的分类技术和基于多尺度分割的面向对象分类技术对高分辨率影像进行分类实验, 分析地物大小、对象尺度与影像分辨率的关系。实验结果表明不同地物由于其空间尺度不同, 与之相适宜的空间分辨率和对象尺度也不同, 在适宜分辨率的影像提取有较高的精度, 在适宜的对象尺度上提取对象信息有更高的精度。分析也表明面向对象的多尺度影像分类技术适应了不同地物有其相适宜的空间分辨率, 在适宜尺度影像层中提取地物, 其分类精度大大高于基于像元的分类方法。     

基于全卷积网络和自编码的高光谱图像分类

针对高光谱图像空间信息利用不足、标记样本数量较少的问题,提出一种基于全卷积网络和堆栈稀疏自编码的高光谱图像分类算法.基于迁移学习的思想,利用预训练好的全卷积网络FCN-8s,挖掘图像潜在的多尺度几何结构特征;选取其特征的像素邻域信息,采用拼接融合的方法与原光谱信息进行融合;利用堆栈稀疏自编码网络完成最终的多尺度空谱特征...     

一种新的高光谱遥感图像降维方法

高光谱遥感图像的高数据维给图像进一步处理带来了困难，为了解决这一问题，提出了自适应波段选择(ABS)的降维方法。该方法充分考虑了高光谱图像的空间相关性和谱间相关性，通过计算各个波段的指数来选择信息量大并且与其他波段相关性小的波段。对各波段相应的指数重新排列之后，有两种方法来选择最终波段：一种是选择波段指数比设定指数大的波段，另一种方法是选择波段指数排在前n个的所有波段。为了验证ABS方法的有效性，对降维后的高光谱图像进行了贝叶斯监督分类，分类结果表明自适应波段选择的方法能够选择出信息丰富的波段，分类精度与使用原始波段相比提高10．4％，计算复杂度大大降低。     

Applications of ICA for the enhancement and classification of polarimetric SAR images

Independent components analysis (ICA) based methods for polarimetric synthetic aperture radar (SAR) image speckle reduction and ground object classification are studied. Several independent components can be extracted from polarimetric SAR images using ICA directly. The component with lowest speckle index is regarded as the scene after speckle reduction. The disadvantage of this method is that only one image is kept and most polarization information will be lost. In this paper, we use ICA‐sparse‐coding shrinkage (ICA‐SPS) based speckle reduction method, which is implemented on each individual image and can keep polarization information. It is carried out on the combined channels obtained by Pauli‐decomposition rather than original polarization channels in order to keep relative phase information among polarization channels and get better performance. After ICA‐SPS, the effect of speckle suppression on SAR image classification can be compared favourably with other methods by combining the channels into a false colour image. At last, a new ICA‐based classification method is presented. In this method, four independent components are separated by ICA from five polarization and combined channels. One of these independent components which includes little ground object information is regarded as speckle noise and therefore be discarded. The remaining three components can be treated as subordination coefficients of three kinds of targets. A classified image can be obtained based on the components. And by composing these three channels in RGB colour pattern, a false colour image can be constructed.     

一种基于证据理论与神经网络的遥感影像分类方法

把影像的空间信息融入分类决策，提出了一种基于证据理论与神经网络的遥感影像分类方法。对原图像作平滑处理．得到原图像的平滑图像；利用神经网络对原图像及其平滑图像分别进行训练、分类；利用证据理论对它们的分类结果(决策)进行融合；最后，把融合结果(决策)作为原图像的最终分类结果。实验结果与性能比较表明．新方法是有效的．提高了影像的分类精度。     

基于数据流的TIN迭代滤波算法

通过机载LiDAR数据滤波获取地面信息是机载LiDAR数据的一项重要且基本的应用。基于现行的滤波算法都有一定的应用局限,本文提出了一种基于数据流的TIN滤波算法。该方法基于流的思想,首先对机载LiDAR数据进行点流的空间结点化,之后在构建Delaunay三角网的同时,进行插入点判断。通过试验区数据的滤波验证,此算法能够较好地滤除地物点,保持地形;提高了滤波效果的同时,在算法效率上还占有一定优势。     

结合超像元和子空间投影支持向量机的高光谱图像分类

目的 高光谱图像包含了丰富的空间、光谱和辐射信息,能够用于精细的地物分类,但是要达到较高的分类精度,需要解决高维数据与有限样本之间存在矛盾的问题,并且降低因噪声和混合像元引起的同物异谱的影响。为有效解决上述问题,提出结合超像元和子空间投影支持向量机的高光谱图像分类方法。方法 首先采用简单线性迭代聚类算法将高光谱图像分割成许多无重叠的同质性区域,将每一个区域作为一个超像元,以超像元作为图像分类的最小单元,利用子空间投影算法对超像元构成的图像进行降维处理,在低维特征空间中执行支持向量机分类。本文高光谱图像空谱综合分类模型,对几何特征空间下的超像元分割与光谱特征空间下的子空间投影支持向量机（SVMsub）,采用分割后进行特征融合的处理方式,将像元级别转换为面向对象的超像元级别,实现高光谱图像空谱综合分类。结果 在AVIRIS（airbone visible/infrared imaging spectrometer）获取的Indian Pines数据和Reflective ROSIS（optics system spectrographic imaging system）传感器获取的University of Pavia数据实验中,子空间投影算法比对应的非子空间投影算法的分类精度高,特别是在样本数较少的情况下,分类效果提升明显;利用马尔可夫随机场或超像元融合空间信息的算法比对应的没有融合空间信息的算法的分类精度高;在两组数据均使用少于1%的训练样本情况下,同时融合了超像元和子空间投影的支持向量机算法在两组实验中分类精度均为最高,整体分类精度高出其他相关算法4%左右。结论 利用超像元处理可以有效融合空间信息,降低同物异谱对分类结果的不利影响;采用子空间投影能够将高光谱数据变换到低维空间中,实现有限训练样本条件下的高精度分类;结合超像元和子空间投影支持向量机的算法能够得到较高的高光谱图像分类精度。