基于ZY-3影像的土地利用信息提取方法

本研究构建适于ZY-3卫星影像的土地利用信息提取技术——面向对象的SVM分类方法。首先进行ZY-3高分影像分割,将具有同质性信息的象元合并成图像对象,然后提取对象的光谱、纹理及空间属性信息,以这些多元信息作为输入,基于支持向量机进行分类器训练和土地利用分类。通过与其他方法的对比,发现此方法的总体分类精度和Kappa系数高于其他方法。此方法利用不同维度信息,克服了传统逐象元分类方法对空间信息利用不足的缺点,更全面地反映不同地物之间的异质性。本研究有助于提升中国高分影像的利用效率,并为土地利用现状调查提供技术支持。     

基于改进Pinball损失的支持向量机

支持向量机（SVM）能够利用少量的支持向量实现高精度分类,但模型受噪声数据影响大,为提高支持向量机模型的分类精度,在Pin-SVM的基础上,提出Epin-SVM。该模型利用指数型函数修改了Pinball损失函数,使用损失函数的思想构造支持向量机模型以提高模型分类精度。在UCI数据集上进行实验,实验结果表明改进后的模型分类精度相较于Pin-SVM提升2%左右,证明Epin-SVM能够有效地提高模型的分类精度。     

基于面向对象的建筑物信息提取方法研究

为了更好地进行城市建设和规划,对建筑物进行有效识别非常重要。针对目前遥感技术对建筑物难以实现高精度提取的问题,本文提出一种基于引入红色边缘波段规则的面向对象和基于样本的面向对象相结合的方法,提取城市建筑物信息。该方法利用worldview 2影像的全色和多光谱的融合数据,进行尺度分割,根据建筑物的光谱特征、形状特征、数字表面模型(digital surface model,DSM)和worldview2的红色边缘波段(RedEdge)的纹理特征建立双层规则知识库,进行建筑物信息提取;同时,利用基于样本的面向对象方法对worldview 2数据影像进行建筑物信息提取。最后,对2种方法获取的建筑物信息结果进行融合,实现建筑物的高精度提取。以广州市天河区试验区为例,研究结果表明:基于样本的面向对象法、基于规则的面向对象法、基于引入红色边缘波段规则的面向对象法以及本文方法的分类精度分别为81.27%,83.75%,87.06%,91.43%。基于引入红色边缘波段规则的面向对象与基于样本的面向对象分类相结合的方法比其他3种方法提取的精度都高,为高分辨率遥感影像建筑物信息的识别提供了有效的手段。     

基于RS和SVM的汽轮机组故障诊断方法

为了提高汽轮机组故障诊断的效率,设计并实现了基于粗糙集和多类支持向量机的融合算法。把粗糙集作为数据的前处理器,对条件属性进行知识约简和去除冗余属性以达到降低数据维数的目的。然后构造多类支持向量机分类器并用约简后的新样本数据训练。测试结果表明,基于粗糙集和支持向量机融合算法的故障诊断方法诊断速度快,推广能力强。     

基于不确定多分类支持向量机在滑坡危险性预测的应用

为了提高滑坡危险性预测的准确度,提出一种基于不确定多分类的支持向量机在滑坡危险性预测的方法.针对诱发滑坡的不确定因子降雨量数据难以有效刻画等问题,引入不确定支持向量机算法理论,结合其他评价因子,构建不确定多分类支持向量机分类器,建立滑坡危险性预测模型,以延安市宝塔区为例进行预测实验.结果表明,该方法不仅能够达到滑坡危险性预测的精度标准,且比传统的支持向量机分类方法有更高的预测精度.     

回归型模糊最小二乘支持向量机

为了克服最小二乘支持向量机对于孤立点过分敏感的问题,将模糊隶属度概念引入最小二乘支持向量机中,提出了基于支持向量域描述的模糊最小二乘支持向量回归机.该方法先对样本进行数据域描述得到一个包含该组数据的最小半径的超球,再根据特征空间中样本与超球球心的距离确定它们的隶属度,减少了奇异点(噪声)的影响;把所要求解的约束凸二次优化问题转化为正定线性方程组,并采用快速Cholesky分解的方法求解该方程组.实验结果表明该方法在不牺牲训练速度的前提下,比支持向量机和最小二乘支持向量机具有更高的预测精度.     

结合PCA的SVM方法在学校财务风险预警中的运用

利用支持向量机方法对中职学校财务风险进行预测,设置22个评价指标,运用主成分分析降维处理数据,然后通过Libsvm进行实验。通过对评价指标的主成分分析,发现前8个主分量的累计贡献率为89.18%,占有绝对重要的比重。选取前8个主分量为支持向量机的输入,最后得到5组实验数据,平均预测分类精度为93.75%,表明支持向量机方法在财务风险预测中的可行性和实用性。     

基于LS-SVM的光纤智能结构损伤诊断

针对目前结构损伤诊断方法的局限以及最小二乘支持向量机算法优点,提出采用最小二乘支持向量机来对光纤智能结构损伤位置识别进行研究,并在Matlab中编制了相应的支持向量机程序,建立了相应损伤诊断模型.以实例数据为学习样本和测试样本,讨论了基于最小二乘支持向量机的光纤智能结构损伤诊断可行性.试验研究结果表明,基于最小二乘支持向量机光纤智能结构损伤诊断识别方法具有较高的可靠性和精度且操作方便,是一种性能优良的智能识别方法,为智能结构实现损伤自诊断提供了更为先进的方法.     

支持向量机与哈夫曼树实现多分类的研究

基于支持向量机和决策树的多分类方法存在错误累积问题,累积的错误往往使分类准确率下降,分类效果变差.在仔细分析了其产生错误累积原因的基础上,提出了基于哈夫曼树的支持向量机多分类方法.该方法首先将一个多分类问题分解为多个二分类问题,针对每个二分类问题使用支持向量机二分类方法解决;然后根据相异度来决策分类的优先顺序,构建基于哈夫曼树的支持向量机多分类模型;最后使用勒卡斯开源数据集进行验证,并将它与传统的支持向量机多分类方法进行实验比较.实验结果表明,新的方法在分类速度和分类精度上较传统的支持向量机多分类方法优越.     

最小二乘支持向量机的两点改进

最小二乘支持向量机以其较好的性能得到了广泛应用,但仍存在2点不足:一方面,最小二乘支持向量机将所有训练样本都作为支持向量参与未知样本的分类,导致该算法在泛化过程中处理速度较慢;另一方面,最小二乘支持向量机主要利用光谱数据进行训练和分类,忽略了对地物空间信息的挖掘,影响了分类精度。为此,提出一种基于库伦引力模型的样本缩减策略,在此基础上将分类结果与基于空间信息的分类器相融合,由此产生的新分类器可以有效解决以上两方面的问题。实验表明了新分类模型在分类精度与速度方面的优势。