面向卫星云图云分类的自适应模糊支持向量机

云类识别是实现卫星云图自动分析的基础,针对卫星云图易受噪声干扰且不同云系往往相互交叠的特点,构造一种面向云类识别的自适应模糊支持向量机。该方法不仅改进了隶属度函数的表现形式,而且通过定义控制临界隶属度和隶属度衰减趋势的参数,使隶属度能根据不同云系样本的具体分布特性自适应调整,解决了传统模糊支持向量机的隶属度函数难以反映样本分布的问题。在MTSAT卫星云图上的实验结果表明,通过提取云图可见光通道的反照率、红外通道的亮温及三种亮温差作为云图的光谱特征,并结合统计纹理特征,所构造的自适应模糊支持向量机分类器能有效区分晴空区、低云、中云、高云及直展云;云类识别准确率优于标准支持向量机和传统模糊支持向量机,且具有更强的稳定性和自适应性。     

改进支持向量机的高分遥感影像道路提取

针对支持向量机受分类数的限制在高分辨率遥感影像中无法直接获取高精度道路网信息的问题,该文提出一种新的混合的基于支持向量机的方法:首先,利用模糊C均值聚类方法将输入的遥感影像分为3类,以减少支持向量机的错分现象;其次,运用支持向量机将不同类别的像素分为道路类和非道路类;最后,应用马尔科夫随机场对分类结果进行噪声去除,并采用形态学进行后处理,进而得到精确道路网信息。实验结果表明:该算法不仅能够从高分辨率遥感影像中提取出道路网,而且精度优于直接使用支持向量机算法以及对比算法。     

一种基于输入向量机的高光谱影像分类算法

支持向量机分类方法存在惩罚系数需要交叉验证获取、训练时间较长、支持向量个数随着训练样本数量的变化而变化,以及稳定性和稀疏性较差等问题。针对这些问题,提出了一种基于输入向量机的高光谱影像分类算法。该算法在核逻辑回归模型的基础上,采用前向贪心算法选择训练样本中的输入向量来进行模型的训练,达到稀疏的目的,提高影像的分类精度和分类效率。通过PHI和OMIS两组高光谱影像分类实验,结果表明基于输入向量机分类算法具有稳定性好、稀疏性强的优点。     

关联向量机在高光谱影像分类中的应用

将关联向量机应用于高光谱影像分类, 实现高维空间中训练样本不足时分类器的精确建模。从稀疏贝叶 斯理论出发, 分析关联向量机原理, 探讨一对多、一对一和两种直接的多分类方法。实验环节比较了各种多分类方 法, 并从精度、稀疏性两方面将关联向量机与支持向量机等经典算法比较。实验结果表明, 两种直接的多分类方法 内存占用大、效率低; 一对多精度最高, 但效率较低; 一对一计算效率最高, 精度与一对多近似。关联向量机精度 不如支持向量机, 但解更稀疏, 测试样本较多时实时性好, 适合处理大场景高光谱影像的分类问题。     

高光谱影像信息向量机分类

信息向量机是一种基于贝叶斯理论的稀疏高斯过程方法,其模型训练速度快、内存耗费小、稀疏性强,具有良好的预测性能。本文从高斯过程回归模型出发,提出了一种基于信息向量机的高光谱影像分类方法,针对高斯过程分类中的非高斯噪声模型,采用假定概率滤波算法将分类问题转化为回归问题,通过最大化边缘似然函数进行模型训练,选择活动子集中的信息向量数量达到了稀疏的目的。通过ROSIS影像试验,表明了基于信息向量机的高光谱影像分类方法的优势。     

基于自适应粒子群优化的SVM算法在建筑物沉降预测中的应用

针对传统支持向量机算法在预测方面的不足,采用自适应粒子群算法(APSO)对支持向量机参数选择进行分析和优化,建立基于自适应粒子群优化的SVM算法建筑物沉降预测模型,并对建筑物进行沉降预测。实验表明,相比于传统的支持向量机算法,自适应粒子群优化的SVM算法预测精度较高,为建筑物沉降预测提供一种新方法。     

基于相关向量机的高光谱影像分类研究

虽然支持向量机在高光谱影像分类得到成功应用,但是它自身固有许多不足之处。相关向量机是在贝叶斯框架下提出的更加稀疏的学习机器,它没有规则化系数,其核函数不需要满足Mercer条件,不仅具备良好的泛化能力,而且还能够得到具有统计意义的预测结果。本文从分析支持向量机用于高光谱影像分类存在的不足出发,提出了一种基于相关向量机的高光谱影像分类方法,介绍了稀疏贝叶斯分类模型,将相关向量机学习转化为最大化边缘似然函数估计问题,并采用了快速序列稀疏贝叶斯学习算法。通过PHI和OMIS影像分类实验分析表明了基于相关向量机的高光谱影像分类方法的优越性。     

CPSO优化FLS-SVM应用于山区地形的GPS高程拟合研究

针对山区样本数据有限的情况,提出一种支持小样本数据处理和高抗噪声能力的模糊最小二乘支持向量机（FLS-SVM）方法。采用基于混沌粒子群（CPSO）的向量机模型参数优化方法,避免了人为参数选择的不确定性,并考虑山区地形起伏的影响,引入地形改正量构建支持向量机训练模型。试验结果表明,考虑地形起伏在内的基于CPSO优化的FLS-SVM模型与传统拟合算法如PSO-LSSVM和GA-LSSVM相比,能够利用有限样本获得更高精度的拟合效果,适用于SRTM正高数据获得正常高的应用中。     

基于GPS观测量的InSAR干涉图中对流层改正方法及其论证

利用一种站间和历元间的双差算法来计算InSAR结果的大气改正量.为了逐像素改正InSAR结果,引入自适应参数的支持向量机(SVM),利用稀疏的GPS站网上所获得的大气改正值回归估计未知像元上的对流层改正值.采用南加州GPS集成网络(SCIGN)数据验证了该方法的可行性.     

组合导航抗差自适应卡尔曼滤波

针对组合导航系统的定位精度与稳定性要求不断提高的现状,该文引入一种观测噪声协方差与抗差自适应相结合的Kalman滤波算法。利用新息向量和移动窗口协方差分析法,动态自适应修正观测噪声协方差阵;通过分析基于状态不符值、方差分量的统计量构造的自适应因子所存在的问题,提出一种由预测残差向量构造的自适应因子。仿真结果表明,该方法能够有效抑制观测异常对组合导航定位精度的影响。     

利用改进FLIC算法进行重力矢量场可视化

针对固定滤波长度公式得到的LIC图像显示效果不理想的缺点,利用纹理流线上所有点亮度值的统计方差来衡量可视化精度,提出了一种滤波长度随矢量变化的改进FLIC算法。用颜色信息表示重力异常大小或者真实垂线偏差大小,纹理方向表示重力方向,基于改进FLIC算法实现了重力矢量场的可视化,结果表明,重力矢量场的可视化具有表达多维信息和矢量方向细节、图形直观易读等优势。     

顾及地理矢量场空间变化特征的多分辨率纹理可视化方法

网络环境下海量、高维、动态、多尺度地理空间矢量场数据的在线高效可视化,一直是大规模密集矢量场数据集成与综合应用分析亟须解决的关键问题。地理矢量场数据蕴含大量非规则、多尺度、时空异质的变化特征与结构,传统矢量场纹理可视化方法,受全局统一采样密度的限制,存在典型的稠密遮挡、特征模糊的问题。针对上述问题,本文提出了一种顾及地理矢量场空间变化特征的多分辨率纹理可视化方法,引入复合信息熵定量显式描述矢量场的空间变化,以此驱动图像空间内多频噪声纹理生成、矢量场多分辨率纹理的构建与增强表达,有效克服传统纹理可视化方法的技术瓶颈。最后采用风场数据进行试验,验证了本文方法的可靠性与有效性。     

基于改进PSO-SVM的噪声稳健建筑物变形监测方法

对高层、超高层建筑物进行实时,高精度的变形监测对提前预防安全隐患,保证人民生命财产安全具有重要意义。建筑物变形作为一种典型的随机性和微弱性过程,噪声等误差的存在会影响从中提取有用的变形信息。针对该问题,提出一种改进粒子群(Particle Swarm Optimization,PSO)算法优化支持向量机(Support Vector Machine,SVM)的噪声稳健建筑物变形监测方法,利用改进PSO算法的全局搜索能力对SVM的核参数进行优化,提升预测精度的同时增强算法的噪声稳健性。基于实测数据的试验结果表明,相对于传统交叉验证SVM和小波方法,所提方法可以获得更高的变形预测精度,并且在低信噪比条件下优势更加明显。     

一种新的融合空间信息的半监督变化监测方法

基于改进的半监督FCM算法和马尔科夫随机场,提出了一种新的融合空间信息的半监督变化监测方法。首先将两幅遥感图像相减得到差值图像,并通过第4波段的差值给出了一种新的样本标记方法;然后,通过标记样本对差值图像利用半监督FCM算法进行聚类;最后,为了提高监测精度和去除聚类噪音点,利用像元点之间的空间邻接关系和马尔科夫随机场,通过更新后的隶属度矩阵得到了监测结果。为了验证本文方法的有效性,选取了两组TM遥感图像,监测了森林的变化。试验结果表明,改进的半监督FCM算法可以减少监测的漏检率,马尔科夫随机场方法可以很好地去除聚类过程中形成的噪声点,减少监测的虚检率。     

应用分水岭变换与支持向量机的极化SAR图像分类

结合分水岭变换与支持向量机的特性,提出一种新的极化SAR图像分类算法。其基本思想是先通过分水岭变换及区域合并处理,将极化SAR图像分割成一系列同质区;再以同质区为基本单元,进行特征提取及样本选择后采用支持向量机分类。实验结果表明,该算法可有效降低相干斑对分类的影响,与传统基于像素的SVM算法相比,其分类精度有显著的提高,且结果也更易于理解。     

支持向量机在建筑物变形监测中的应用探讨

论述了支持向量机的回归算法和基于时间序列支持向量回归的建筑物变形预测方法,并用MATLAB6.5工具箱编制基于时间序列支持向量回归程序,建立了基于时间序列支持向量回归模型。最后以实例数据讨证基于时间序列支持向量机回归模型的预测方法。研究表明:用时间序列支持向量回归模型建立的建筑物变形监测的预测模型是可行的和有效的。     

改进的ELU卷积神经网络在SAR图像舰船检测中的应用

随着航天技术的发展,我国SAR载荷的探测体系呈现多种类、多分辨率的发展趋势。传统的检测识别方法很难适应多分辨率、多种类的SAR图像数据,从而需要寻求一种能从多分辨率的图像数据中提取有效特征的方法。智能化发展非常迅速,本文基于SAR图像的特点,提出了改进的ELU激活函数卷积神经网络的方法,建立了结合ELU激活函数和二次代价函数的深度学习模型。同时,在训练样本中建立样本特征与所在分类中心的距离函数,用模糊支持向量机（FSVM）对提取的特征进行了分类。试验结果表明,本文方法提高了SAR图像舰船检测的抗噪性,并且检测率达到了98.6%。     

流场动态地图符号视觉变量分析与应用

随着大数据的发展以及数据观测技术的进步,以动态地图和动态符号的方式进行流场可视化表达具有广泛的应用前景。针对目前流场动态地图符号表达机制研究不足的问题,本文采用粒子系统方法构建了流场动态地图符号表达模型,基于流场的特点,研究了视觉变量的选取对于流场动态表达效果的影响。然后,以海洋流场数据的可视化实现为例进行验证,结果表明可视化效果良好,可以为矢量场动态符号的应用提供参考。     

一种盾构施工引起的地面沉降预测方法

针对盾构施工引起的地面沉降的影响因素众多、关系错综复杂,常规数学模型难以准确预测沉降量的问题,该文提出了采用主成分分析法和粒子群优化的支持向量机方法来建立预测模型。并结合工程实例将预测结果与常用的多元线性回归模型和基于Levenberg-Marquardt算法改进的BP神经网络模型(LM-BP)的预测结果做了比较。结果表明:PCA-PSO-SVM的预测结果精度较多元线性回归模型和LM-BP神经网络有很大的提高,证明了该研究方法具有一定的理论意义和参考价值。