地物波谱数据库研究现状与发展趋势

随着定量遥感技术发展与遥感应用的逐步深入，地物波谱数据库愈加显示其在遥感领域中的重要技术支撑作用。本文着重阐述和分析了国内外地物波谱数据库研究现状和发展趋势，并结合我国当前遥感技术的发展和定量化应用需求，论述了我国未来地物波谱库发展必要性、可行性和总体构想。     

面向分类数据的自组织神经网络

作为一种优良的聚类和降维工具,自组织神经网络SOM(SelfOrganizingFeatureMaps)已经得到广泛应用。其不足之处是仅适合于数值数据,这对时常需要处理分类型数据(Categoricalvalueddata)或数值型与分类型混合数据(Mixednumericandcategoricalvalueddata)的数据挖掘应用是不够的。该文提出了一种新的基于覆盖(Overlap)的距离函数并将其用于SOM训练。实验结果表明,在不增加时空开销的前提下可取得较好的聚类效果。     

基于混合核函数的自组织神经网络遥感图像分类

自组织神经网络SOM作为一种无监督学习的竞争式网络,已经得到了广泛的应用,它通过对输入信号的竞争学习,将样本划为不同的类别,但其分类效果常很难令人满意.提出了一种基于混合核函数的SOM神经网络改进方法,并和传统的SOM网络进行了对比,Iris数据和Wine数据的分类实验表明,该方法可以明显改进SOM网络的分类效果.然后对某地Landsat卫星遥感图像数据进行分类实验,实验结果表明,与传统的SOM网络、基于多项式核的SOM网络以及基于RBF核的SOM网络相比较,基于混合核函数的SOM神经网络方法的分类效果有较明显的提高.     

自组织特征映射神经网络——用于茶叶分类

介绍了自组织特征映射神经网络的结构和算法 ,将其用于中国茶叶的分类 ,并和传统方法进行了比较。认为组织特征映射神经网络优于传统方法。     

典型地物标准波谱数据库系统设计

国家级通用型典型地物标准波谱数据库系统是空间遥感技术与应用发展的重要技术支撑,是国家空间信息设施的重要组成部分之一。介绍了该波谱数据库统软件设计的研究内容,包括系统总体架构、组织结构、模块划分、功能分配、性能特点以及系统特色等,为我国空间信息设施的发展
提供一个可行的地物标准波谱数据库系统设计方案。     

波谱匹配支持的遥感专题地物自适应提取

为贴合地物表现的多样性和复杂性,提出一种波谱匹配支持下的遥感影像专题地物自适应提取方法,经过专题地物端元选取、波谱匹配、影像自动分割、"整体-局部"的空间转换,以及局部针对性、精细化地迭代逼近等一系列相互衔接的算法,全面、准确地提取遥感影像上的专题地物。通过在ETM+影像上水体和裸地的提取实验,并与最大似然法和SVM分类结果比较,证明了该方法对多样性专题地物提取的有效性和普适性。     

中国典型地物波谱数据库的研究与设计

中国典型地物波谱库系统是一个集地物波谱数据库、地表先验知识库、遥感应用模型库与航空航天影像库为一体的综合遥感信息应用平台。较之已有的波谱数据库系统，该系统的创新点在于实现了多源知识的整合，不仅能为用户提供观测波谱，而且能够在地表先验知识库和模型库的支持下实现波谱库的时间尺度和空间尺度上的扩展。本研究了在系统建设过程中的三个关键问题：地面观测和配套参数管理，先验知识库以及模型驱动理论分析。基于B／S架构以及组件对象模型技术，给出了系统方案设计和实现技术。     

矿区典型地物波谱数据建设和管理研究

本文依据现有地物波谱数据采集标准和自定义标准,对矿区各类地物的波谱数据库结构进行了设计,采用基GDI＋技术的波谱曲线可视化技术、基于关系数据库的波谱分类管理技术以及渡谱数据质量控制技术等,已经实现了针对于矿区植被大类的农作物属性信息和光谱数据的批量入库、查询、显示等,并通过自主开发的图形控件实现了光谱曲线的批量绘制和比较,为进一步的地物波谱数据应用提供了联动的、丰富的原始观测信息。     

基于Mapx的典型地物波谱数据库系统设计研究

地物波谱特性是遥感探测的基础,是定量遥感技术与应用发展的先决条件,加强地物波谱研究的同时应推动地物波谱数据库的建设。论文从典型地物波谱数据库系统总体结构组织、模块划分、功能分配、系统界面设计以及系统数据库设计等方面论述了典型地物波谱数据库系统设计的研究过程。     

面向电子政务的全国典型地物波谱数据服务平台设计与实现

地物波谱是遥感重要的信息源之一,通过数据库建设管理波谱数据已越来越得到重视。自然资源和地理空间基础信息库是国家电子政务4个基础信息库之一,其主要目的是实现部门间的数据共享与交换,其下设有全国典型地物波谱数据库。为应对电子政务的需求,在原有波谱数据库的工作基础上,构建了面向电子政务的全国典型地物波谱数据服务平台,用以向电子政务提供符合要求的数据以支持电子政务数据共享及政务决策。介绍了波谱数据服务平台的设计及关键技术研究,并展示了实现后的波谱数据服务平台。     

交叉验证的BP神经网络恒星光谱分类

LAMOST作为国家重大科学工程项目,目前在世界上对光谱的观测、获取率最高,为天文学的研究与发展提供大量的数据和信息资源.根据LAMOST发布的恒星光谱数据文件,从中提取出关于恒星光谱波长的数据信息,对数据进行噪声剔除、数据降维、数据规范化、数据降维处理.利用BP神经网络算法对数据进行分类处理,根据分类结果正确率来判断BP神经网络模型的优劣.但是BP神经网络对测试集数据的测试效果并不代表对其他数据具有同样的测试效果而且易产生过拟合,所以采用交叉验证与BP神经网络相结合的方法, BP神经网络算法可对多组不同的数据进行测试,得到多组测试结果并求得平均值,可得到BP神经网络模型相对稳定的测试结果并降低结果的随机性.     

The Supervised Network Self-Organizing Map for Classification of Large Data Sets

Complex application domains involve difficult pattern classification problems. The state space of these problems consists of regions that lie near class separation boundaries and require the construction of complex discriminants while for the rest regions the classification task is significantly simpler. The motivation for developing the Supervised Network Self-Organizing Map (SNet-SOM) model is to exploit this fact for designing computationally effective solutions. Specifically, the SNet-SOM utilizes unsupervised learning for classifying at the simple regions and supervised learning for the difficult ones in a two stage learning process. The unsupervised learning approach is based on the Self-Organizing Map (SOM) of Kohonen. The basic SOM is modified with a dynamic node insertion/deletion process controlled with an entropy based criterion that allows an adaptive extension of the SOM. This extension proceeds until the total number of training patterns that are mapped to neurons with high entropy (and therefore with ambiguous classification) reduces to a size manageable numerically with a capable supervised model. The second learning phase (the supervised training) has the objective of constructing better decision boundaries at the ambiguous regions. At this phase, a special supervised network is trained for the computationally reduced task of performing the classification at the ambiguous regions only. The performance of the SNet-SOM has been evaluated on both synthetic data and on an ischemia detection application with data extracted from the European ST-T database. In all cases, the utilization of SNet-SOM with supervised learning based on both Radial Basis Functions and Support Vector Machines has improved the results significantly related to those obtained with the unsupervised SOM and has enhanced the scalability of the supervised learning schemes. The highly disciplined design of the generalization performance of the Support Vector Machine allows to design the proper model for the particular training set.     

用于半监督分类的二阶近似谱图卷积模型

近年来, 基于局部一阶近似的谱图卷积方法在半监督节点分类任务上取得了明显优势, 但是在每次更新节点特征表示时, 只利用了一阶邻居节点信息而忽视了非直接邻居节点信息. 为此, 本文结合切比雪夫截断展开式及标准化的拉普拉斯矩阵, 通过推导及简化二阶近似谱图卷积模块, 提出了一种融合丰富局部结构信息的改进图卷积模型, 进一步提高了节点分类性能. 大量的实验结果表明, 本文提出的方法在不同数据集上的表现均优于现有的流行方法, 验证了模型的有效性.     

The Evolving Tree—A Novel Self-Organizing Network for Data Analysis

The Self-Organizing Map (SOM) is one of the best known and most popular neural network-based data analysis tools. Many variants of the SOM have been proposed, like the Neural Gas by Martinetz and Schulten, the Growing Cell Structures by Fritzke, and the Tree-Structured SOM by Koikkalainen and Oja. The purpose of such variants is either to make a more flexible topology, suitable for complex data analysis problems or to reduce the computational requirements of the SOM, especially the time-consuming search for the best-matching unit in large maps. We propose here a new variant called the Evolving Tree which tries to combine both of these advantages. The nodes are arranged in a tree topology that is allowed to grow when any given branch receives a lot of hits from the training vectors. The search for the best matching unit and its neighbors is conducted along the tree and is therefore very efficient. A comparison experiment with high dimensional real world data shows that the performance of the proposed method is better than some classical variants of SOM.     

基于小波神经网络的光谱数据表征与分类研究

介绍了一种新的神经网络模型——小波神经网络，利用它并适当选取网络结构和小波基，实现了对化学物质红外光谱的压缩表征和分类，取得了令人满意的效果，说明小波神经网络在光谱处理方面有着光明的应用前景和优越性。     

卫星遥感数据分类不确定性的容差粗糙集处理

提出一种基于光谱特征邻域的容差粗糙集分类方法,用来处理卫星遥感数据分类中的不确定性问题。利用北京地区Landsat-5 TM数据进行分类试验,将结果与现有容差粗糙集方法分类结果进行对比和统计。结果表明,该方法具有良好的可理解性和稳定性,能够处理卫星遥感数据分类的不确定性,在具有复杂光谱特征地物分类方面具有发展潜力。     

Classification of Steam Generator Tube Defects for Real-Time Applications Using Eddy Current Test Data and Self-Organizing Maps

A new classification method, for isolating steam generator tube defects in nuclear power plants using Eddy Current Test (ECT) signals, has been developed. The method uses Self-Organizing maps (SOM) with different data signatures to identify and classify these defects. A multiple inference system is proposed which evaluates different extracted characteristic SOMs to infer the defect type. Wavelet zero-crossing representation, a linear predictive coding (LPC), and other basic signal representations, such as magnitude and phase, are used to construct characteristic vectors that combine one or more of these features. These vectors are evaluated for their ability to classify tube defects and the ones with the best performance are used in the multiple inference system. The effectiveness of the method is demonstrated by applications of the characteristic maps to ECT data from various cases of tube defects in pressurized water reactor plant steam generators. The developed algorithm enables real-time applications such as fast tube defects classification systems and visualization of ECT signal feature prototypes, which may improve the speed of time-critical decision making during power plant maintenance outages.     

改进ICA算法及其在作物光谱分类中的应用

针对传统的固定点算法对分离矩阵初始值敏感的问题,提出一种改进的独立分量分析(ICA)算法,通过在传统的算法核心迭代过程中加入搜索因子,降低算法对矩阵初始值的依赖,提高处理效率。将ICA算法应用于作物精细光谱的分类,分别利用传统固定点算法和改进的固定点算法对混合光谱进行信息提取与分离。实验证明,改进的ICA算法在与传统算法作物光谱分类效果相当的情况下,迭代次数减少26%,提高了独立分量的分离效率,是一种有效的作物光谱分类方法。     

光谱微分技术在高光谱遥感浅海海底底质中的应用初探

采用光谱微分技术进行了高光谱遥感反演浅海海底底质的初步研究。首先,利用半分析海洋辐射传递模型模拟不同海底底质的光学浅水高光谱遥感反射比数据集;然后,利用光谱微分技术建立海底底质识别算法;最后利用水槽模拟数据来验证。结果表明本文建立的反演算法可以应用于泥砂类和植物类底质的区分。     

谱聚类欠取样下自编码网络不平衡数据挖掘

不平衡数据集的应用领域日益广泛,需求也越来越高,为提升整体数据集的分类准确率,以谱聚类欠取样为前提条件,构建一种自编码网络不平衡数据挖掘方法.把聚类问题转换成无向图多路径划分问题,通过无向图与标准化处理完成谱聚类,经过有选择地欠取样处理多数类数据集,获取分类边界偏移量,利用学习过程是无监督学习的自编码网络,升、降维数据,获取各维度隐藏特征,实现各层面的数据高效表示学习,根据最大均值差异与预设阈值的对比结果,调整自编码网络,基于得到的分类界面,完成不平衡数据挖掘.选用具有不同实际应用背景的UCI数据集,从中抽取10组数据作为测试集,经谱聚类欠取样处理与模拟实验,发现所提方法大幅提升少数类分类精度与整体挖掘性能,具有较好的适用性与可行性.