联合自适应邻域和Bagging的协同表示集成学习方法

近年来，协同表示分类(collaborative representation classification, CRC)算法成为高光谱遥感影像分类的研究热点，其中基于bagging的协同表示集成学习算法(bagging-based collaborative representation classification, BagsCRC)利用bagging集成方式有效地提高了基分类器协同表示分类算法的精度。为进一步提升BagsCRC算法的有效性，文章提出了一种联合自适应形状邻域和bagging协同表示集成学习算法(shape-adaptive bagging-based collaborative representation classification, SABagsCRC)。该算法通过构建训练样本和测试样本的自适应形状邻域，进而构建空间信息约束的分类器集成模式。实验采用Indian pines和Washington DC Mall两组高光谱遥感影像，对所提出算法的性能进行了评价。实验结果表明，SABagsCRC算法在分类效果上比BagsCRC算法有明显的提升。     

高炉煤气锅炉燃烧控制策略分析

通过分析高炉煤气锅炉燃烧的工艺要求,提出了保证高炉煤气锅炉炉膛安全运行和经济燃烧的控制策略,希望对相关行业的发展有所帮助.     

基于CCD的激光切割焦点位置控制系统的设计与实现

激光焦点位置的检测与控制是激光切割系统中的关键技术之一．在介绍了国内外现有检测方法的基础上,提出一种基于CCD的激光切割焦点位置控制系统．该系统采用激光三角测量法原理,并以CCD成像系统配合数字图像处理技术．实现对激光切割焦点位置的精确测量和控制。     

基于Boosting的高光谱遥感切空间协同表示集成学习方法

近年来,协同表示分类(Collaborative Representation Classification,CRC)算法成为高光谱遥感影像分类的研究热点,尤其是切空间协同表示分类(Tangent Space Collaborative Representation,TCRC)利用切平面估计测试样本的局部流形,其分类精度得到了显著提高。为进一步提升高光谱遥感影像分类的准确性和可靠性,提出了基于Boosting的高光谱遥感影像切空间协同表示分类算法(Boosting-based Tangent Space Collaborative Representation Classification,Boost TCRC)。Boost TCRC算法采用TCRC算法作为基分类器,通过Boosting原理自适应地调整训练样本的权重,增大错分样本的权重从而使得分类器专注于较难分类的训练样本,然后在基于残差域融合时根据基分类器的分类表现赋予其权重,最终采用最小重构误差的原则对测试样本进行分类。实验采用HyMap(Hyperspectral Mapper)和AVIRIS(Airbone Visible Infrared Imaging Spectrometer)等高光谱遥感影像数据对所提出算法的性能进行了综合评价,结果表明：基于Boosting的集成方式可有效提升TCRC算法的分类效果。针对HyMap数据,Boost TCRC算法总体分类精度和Kappa系数分别为93.73%和0.920 8,两种精度指标分别高于TCRC算法2.82%和0.032 3,同时分别高于AdaBoost ELM算法1.81%和0.022 5。对于AVIRIS数据,Boost TCRC算法总体分类精度和kappa系数为84.11%和0.812 0,两种精度指标分别高于TCRC算法3.97%和0.049 3,同时分别高于AdaBoost ELM算法12.02%和0.143 6。