采用决策树分类技术对北京市土地覆盖现状进行研究

以TM1～7多波段影像为数据源,采用决策树分类技术对北京市土地覆盖现状进行研究。探讨如何使用决策树方法逐层区分草地、林地、水体、裸地、居民地和道路等基本地物类型,并进一步研究了如何区分城市裸地与乡村裸地的方法,分类精度达到93.3%。研究表明,决策树分类法有诸多优势,如:相对简单、明确、分类结构直观。     

决策树分类法及其在土地覆盖分类中的应用

基于决策树分类算法在遥感影像分类方面的深厚潜力,探讨了3种不同的决策树算法(UDT、MDT和HDT)。首先对决策树算法结构、算法理论进行了阐述,然后利用决策树算法进行遥感土地覆盖分类实验,并把获得的结果与传统统计分类法进行比较。研究表明,决策树分类法有诸多优势,如:相对简单、明确、分类结构直观,另外,与以假定数据源呈一固定概率分布,然后在此基础上进行参数估计的常规分类方法相比,决策树属于严格“非参”,对于输入数据空间特征和分类标识具有更好的弹性和鲁棒性(Robust)。     

ALOS影像数据土地覆盖分类及景观特征研究

通过马氏距离法、最大似然法、支持向量机三种途径对土地覆盖进行分类,以混淆矩阵对分类结果做精度评价,结果显示,最大似然法和支持向量机分类有较好的效果。以最大似然法为例,通过引入归一化植被指数（NDVI）、基于灰度共生矩阵的纹理特征等进行不同特征组合的分类,探讨其对分类的影响。研究表明,NDVI、对比度、均值参与分类后,对分类精度都有不同程度的提高,而三者与原始波段的结合分类精度最高。基于分类结果做景观格局定量分析。结果表明,研究区景观类型较为丰富,以耕地为主导,再加上城镇和农村聚落用地,约占到整个研究区的82%,表明景观所受的人类活动干扰和压力很大、生态风险高。因此,必须强化黑河中游绿洲荒漠区的土地利用规划和管理,适当约束耕地和聚落用地的扩张,提高土地利用效率;要加强生态保护和建设,提高景观的抗干扰能力。     

基于改进决策树分类算法的遥感影像分类研究

针对现有分类器对遥感影像分类结果存不准确的问题,本文提出了一种基于决策树分类器的遥感影像分类方法,该方法以复合决策树Boost Tree思想为基础,首先利用分形理论中的毯模型提取遥感影像的纹理特征,根据遥感影像分类的特点,构造新的单棵决策树生成算法对遥感影像进行分类。以北京市五环内区域为研究区,使用landsat7 ETM数据源,实现了基于分形纹理特征、光谱特征的改进决策树分类。实验结果表明：通过毯模型提取的纹理特征可以很好地表达表面特征,辅以该纹理信息的改进决策树分类精度相比于只用光谱信息进行分类的精度有一定的提高,改善了分类效果。     

基于Fuzzy ARTMAP神经网络的高分辨率图象土地覆盖分类及其评价

主要讨论了基于Fuzzy ARTMAP神经网络的高分辨率遥感图象土地覆盖分类方法及其实践．首先介绍了Fuzzy ARTMAP神经网络的原理，然后用SPOT XS图象试验数据进行土地覆盖分类．分类结果与传统的最大似然监督分类(MLC)、反馈式(Back Propagation，BP)神经网络的分类结果进行了比较．通过抽取500个样点对3种分类结果进行精度评价表明，Fuzzy ARTMAP神经网络相对其他两种方法，分类精度均有不同程度的改善，具有更好的分类结果，总分类精度比MLC和BP算法分别提高17．41％、7．32％．最后，对不同分类方法对于土地覆盖分类结果的影响进行了评价和分析．试验表明，Fuzzy ARTMAP神经网络用于高分辨图象土地覆盖分类研究可以获得相对较好的分类结果．     

面向土地覆盖分类的MODIS影像融合研究

MODIS影像的多波段及其1、2波段的250 m中等分辨率为大区域中空间分辨率的土地覆盖制图提供了可能。为了有效利用MODIS影像的空间和光谱信息,使用SFIM、HPF和PCA变换等遥感影像融合方法,分别采用MODIS影像的波段1(b1)和波段2(b2)对3~7(b3~b7)波段进行融合,并就融合影像的光谱保真度和分类精度对6种不同融合结果进行评价。结果表明不同的融合结果得到的分类精度均有不同程度的提高;3种融合方法中使用b2的融合效果均优于b1;SFIM变换在光谱失真较小的情况下能够较大程度地提高分类精度。因此使用b2的SFIM变换可以用于提高MODIS土地覆盖图的空间分辨率和精度。     

基于决策树分类技术的遥感影像分类方法研究

以河北唐山为研究区,应用Landsat ETM+影像数据和GIS数据,对决策树分类技术和传统计算机自动分类方法进行了比较。研究表明:决策树与传统自动分类方法相比,分类精度提高了18.29%,Kappa系数提高0.1878。在地形起伏的山区,应用DEM及其衍生数据等GIS数据作为辅助数据可以提高分类精度19.52%,Kappa系数提高0.281;反射率影像分类效果比原始DN值影像的分类效果好,分类精度提高15.86%;缨帽变换在压缩数据量的同时,分类精度有所降低。     

决策树分类技术研究

决策树分类是一种重要的数据分类技术。该文通过对决策树分类方法的研究，进一步讨论了实际使用过程中决策树学习出现的常见问题的解决方法。为实际应用提供了依据。     

网络流量的决策树分类

应用识别与流量分类是网络管理、安全、研究等相关事务的必要前提.随着网络的高速发展以及各种新型应用的不断涌现,基于分组传输层端口号和深度分组解析的分类技术难以满足需求.本文验证网络流量的统计特性可以有效地区分不同应用,提出一种基于C4.5决策树分类器的有监督网络流量分类方法,讨论boosting增强方法和特征选择两种改进.实验结果表明,C4.5分类器的训练复杂度适中,准确率高且分类速度快;增强方法可以进一步提高分类器的准确率,代价是训练时间大幅提高和分类时间稍微减慢;特征选择算法则提高分类速度而稍微降低准确率.     

基于面向对象决策树算法的半干旱地区遥感影像分类

半干旱丘陵地区地形复杂,地表覆盖物分布复杂多变,这极易导致"同物异谱,异物同谱"现象的产生,给遥感影像分类工作带来极大的不确定性。本文构建了基于多特征的面向对象决策树分类方法,充分利用光谱特征、地形特征、物候特征及像元间的相关性综合提取地物信息。研究结果表明,该基于面向对象决策树遥感分类方法在半干旱地区能够有效提高分类精度,总的分类精度达86.9426%,能够满足非点源污染模拟研究的需要。     

基于决策树的软件分类方法

提出一种基于决策树SLIQ算法的软件分类方法,在利用现有测试工具的条件下,编写应用接口,获取软件的外部属性和内部属性数据。对异构数据源进行清理转换,从中提取软件分类的规则,对软件进行细粒度的划分,构建分类模型并在数据库管理系统不同版本的分类中应用。     

图像分类中变形决策树的应用

介绍了利用平均色、代表色和轮廓线分布的联合图像特征,使用决策树建立图像分类模型方法。该方法使用变形的决策树来改善决策树的分类学习效率。实验数据表明效果显著,在对分类效果影响不大的情况下,有效提高了使用效率。     

基于代价敏感决策树的网络流量分类研究

传统的基于端口的流量分类方法和基于DPI技术的流量分类方法由于P2P技术和加密技术的流行而开始失效。基于网络流特征及机器学习的流量分类方法因为克服了上述弊端而成为了流量分类领域的研究热点。实际网络环境中,“大象流”和“老鼠流”在数量和传输字节量等方面存在着严重的不平衡,降低了基于机器学习流量分类方法的实际分类效果。针对...     

一种基于纵向划分数据集的并行决策树分类算法

本文提出了一种处理多属性数据集的快速可扩展性并行分类算法-FSPC算法。它首次采用了纵向划分数据集以及在测试属性的选择过程中同步划分数据集等方法。实验结果表明,它不仅有利于减少通信及进行I／O的开销,而且有利于提高算法的并行度。     

基于CART决策树与最大似然比法的植被分类方法研究

结合阿坝若尔盖县大骨节病典型病区植被分布特点,选用不同时相SPOT4及ETM遥感数据,提出了将较易实现的CART决策树算法与最大似然比分类法有机结合在一起进行植被分类的方法。决策树算法能很好地区分植被大类,分类精度达到96%,但是无法确定区分乔木亚类的阈值;最大似然比法整体分类精度不高,仅为84%,但是针对乔木亚类的分类精度能达到94%,将两种算法综合利用,最终总分类精度达到95.05%,Kappa系数达到0.9016。良好的分类结果不但为研究该区植被覆盖状况与发病率关系提供了很好的一手资料,并且分类算法较易实现,尤其对于新入门者较为实用和快捷。     

基于人工神经网络与决策树相结合模型的遥感图像自动分类研究

本文提出了一种新的基于Kohonen神经网络与决策树相结合模型的遥感图像自动分类方法。选取绍兴地区为实验区，对TM图像进行了分类实验。并将该模型分类结果与基于Kohonen网络模型的分类结果进行了比较，发现对于江南低山丘陵河网密集区的TM图像应用该模型进行分类能够得到较为满意的分类结果，其分类精度可达到85．16％，较之单纯使用Kohonen网络模型提高了20．12％。     

一种基于FP_Tree算法的决策树构造方法

针对大规模训练元组决策树构造效率较低的问题,提出一种改进的决策树构造方法。该方法利用FP_Tree算法,比采用经典Apriori算法节省了更多内存开销。使用FP_Tree路径替代经典算法中训练元组的分裂计算,得到与原算法相同的决策树模型。实验结果证明,改进后的方法具有良好性能。