基于CBR的文本自动分类研究

KNN方法是性能最好的文本分类方法之一,但它在分类时要计算待分类文档与所有训练样本的相似度,时间复杂度较大。文中提出了一种基于CBR的文本自动分类方法,先用聚类方法把训练样本库转换为范例库,然后用KNN思想分类。实验结果显示该方法分类的平均召回率和准确率达到了87.07%和89.17%;并且通过分析算法的时间复杂度得知,该方法的分类速度比KNN方法有很大的提高,因此具有很好的实用价值。     

一种基于模糊关联分类的遥感图像分类方法

遥感图像分类是遥感领域的研究热点之一.提出了一种基于自适应区间划分的模糊关联遥感图像分类方法(fuzzy associative remote sensing classification,FARSC).算法根据遥感图像分类的特点,利用模糊C均值聚类算法自适应地建立连续型属性模糊区间,使用新的剪枝策略对项集进行筛选从而避免生成无用规则,采用一种新的规则重要性度量方法对多模糊分类规则进行融合,从而有效地提高分类效率和精确度.在UCI数据和遥感图像上所作实验结果表明,算法具有较高的分类精度以及对样本数量变化的不敏感性,对于解决遥感图像分类问题,FARSC算法具有较高的实用性,是一种有效的遥感图像分类方法.     

基于元学习的小样本遥感图像分类

为改善传统分类算法在小样本遥感图像分类上效果差的缺陷,提升模型的快速学习能力,提出融合迁移学习和元学习的小样本分类算法.设计基于长短期记忆网络的元学习器,通过门控结构拟合网络参数更新方式最下化损失下界,具有自动学习分类器参数更新方式的机制,相比于传统方法,能够有效扩展优化算法的搜索空间;考虑样本的跨类别知识转移和训练时...     

基于模糊高斯基函数神经网络的遥感图像分类

针对遥感图像分类的特点,提出了一种基于模糊高斯基函数神经网络的遥感图像分类器。该分类器将模糊技术与神经网络相结合,采用神经网络来实现模糊推理,利用神经网络的学习能力来达到调整模糊隶属函数和模型规则的目的,从而使系统具备了自适应的特性,实验结果表明,这种基于模糊高斯基孙数神经网络的分类器经过训练后,可应用于遥感图像的分类,其分类精度明显高于传统的最大似然分类法。     

模糊ARTMAP神经网络在TM影像分类中的应用

阐述了模糊ARTMAP网络结构及其采用的算法，提出一种引入遥感图像判读结果的警戒系数自动调整算法，能够解决人为选择警戒参数效率低、难以取得合适数值的问题．仿真结果表明，具有警戒系数调整功能的模糊ARTMAP神经网络能够有效地对向海自然保护区的TM影像进行分类，它与最大似然法和传统的模糊ARTMAP神经网络相比，对样本的依赖程度较低，分类精度较高．     

遥感融合图像分类精度的研究

把不同空间分辨率的TM和IRS遥感图像进行融合,综合了不同传感器数据所提供的信息,增强了图像的清晰度,改善了解译效果。对遥感融合图像进行分类,分类精度达97.90%,效果优于TM图像(分类精度为89.39%)。     

基于蚁群优化分类规则挖掘的遥感图像分类研究

蚁群优化算法作为群智能理论的主要算法之一,已经成功应用在众多研究领域的优化问题上,但是在遥感数据处理领域还是一个新的研究课题。蚁群优化具有自组织、合作、通信等智能化优点,对数据无需统计分布参数的先验知识,因此在遥感数据处理领域具有很大的潜在优势。介绍了将蚁群优化分类规则挖掘算法应用到遥感图像分类研究领域的理论与算法流程。并采用北京地区的CBERS遥感数据作为实验数据,通过蚁群优化算法构造分类规则,对选择的遥感数据进行了分类实验,并和最大似然分类方法进行对比,实验结果表明,蚁群优化分类规则挖掘算法为遥感图像的分类提供了一种新方法。     

基于卷积神经网络的遥感图像分类研究

遥感图像分类是模式识别技术在遥感领域的具体应用,针对遥感图像处理中的分类问题,提出了一种基于卷积神经网络(convolutional neural networks,CNN)的遥感图像分类方法,并针对单源特征无法提供有效信息的问题,设计了一种多源多特征融合的方法,将遥感图像的光谱特征、纹理特征、空间结构特征等按空间维度以向量或矩阵的形式进行有效融合,以此训练CNN模型。实验表明,多源多特征相融合能够加快模型收敛速度,有效提高遥感图像的分类精度;与其他分类方法相比,CNN能够取得更高的分类精度,获得更优的分类效果。     

基于图卷积网络的多标签遥感图像分类

由于遥感图像包含物体类别多样,单个语义类别标签无法全面地描述图像内容,而多标签图像分类任务更加具有挑战性.通过探索深度图卷积网络(GCN),解决了多标签遥感图像分类缺乏对标签语义信息相关性利用的问题,提出了一种新的基于图卷积的多标签遥感图像分类网络,它包含图像特征学习模块、基于图卷积网络的分类器学习模块和图像特征差异化模块三个部分.在公开多标签遥感数据集Planet和UCM上与相关模型进行对比,在多标签遥感图像分类任务上可以得到了较好的分类结果.该方法使用图卷积等模块将多标签图像分类方法应用到遥感领域,提高了模型分类能力,缩短了模型训练时间.     

基于CBR的电力负荷预测系统的研究与实现

随着电力系统的发展，负荷预测受到广泛重视。但由于它受到大量不确定因素的影响，导致电力负荷预测是一项重要而又非常复杂的工作，预测过程需要考虑多种因素。介绍了CBR的基本原理与方法，在分析相关技术的基础上，建立了一个基于CBR的电力负荷预测系统。实验分析结果表明该方法具有有效性和实用性，也说明了CBR在电力负荷预测系统的应用是提高电力系统生产规划、运行调度与管理水平，实现安全、高效和经济调度的重要技术手段。     

Fuzzy ARTMAP神经网络在土地覆盖分类中的应用研究

面对数量激增、包含信息日趋复杂的遥感影像，如何快速有效地自动分类已成为遥感领域亟待解决的问题。以TM影像为实例，探讨了Fuzzy ARTMAP神经网络在土地覆盖分类方面的应用。在总结Fuzzy ARTMAP网络警戒系数调整方法的基础上，提出了一种新的设置和调整警戒系数的方法。实验结果表明，这种新方法可以解决人为选择警戒系数效率低、难以取得合适数值的问题，并能提高网络的收敛速度和分类精度，结合本文所提算法的Fuzzy ARTMAP神经网络与最大似然法和传统Fuzzy ARTMAP网络相比较，训练时间缩短，分类精度有所提高。Fuzzy ARTMAP网络用于土地覆盖分类研究可以获得相对较好的分类结果。     

基于一维Kohonen网络的遥感影像分类方法研究

分析了Kohonen网络的训练模式和聚类特性,选用规模相对较小的一维Kohonen网络,并调整网络输出层的规模和邻域形状,优化网络结构;同时根据多光谱遥感影像中地物波谱曲线特征,通过不同波段组合、波段权重系数调整等方法对输入数据进行预处理,使该方法更适用于多光谱遥感影像分类和专题提取.本文以浙江省绍兴地区多光谱遥感影像分类为例,研究结果表明使用改进后的分类方法可以有效提高分类精度.     

基于改进胶囊神经网络的遥感影像分类

针对遥感影像卷积神经网络（CNN）分类会导致特征信息丢失及泛化能力差的问题,提出一种基于通道注意力和混合注意力改进的胶囊神经网络分类模型。首先,为了胶囊神经网络能够适应于大尺寸输入图像,在特征提取模块中使用2个最大池化层;其次,为了提高分类精度,分别将SENet注意力和CBAM注意力加在特征提取模块的最后一层去改进特征提取模块;最后,将样本集随机地划分为训练集、验证集和测试集,进一步使用训练集和验证集训练模型,测试集测试模型,使用AID数据集对模型分类的泛化能力进行验证。实验结果表明:基于SENet网络改进的胶囊神经网络的准确率与Kappa系数要高于其他模型,泛化能力也优于其他模型,本文提出的模型的总体分类精度和泛化能力有了显著性提升,从而验证了本文方法的可行性和使用性。     

小波神经网络的遥感图象分类

将小波和神经网络结合起来,提出一种自适应小波函数的神经网络。这种小波函数网络经过训练后,可应用于遥感图象的分类,其分类效果优于最大似然法。     

基于卷积神经网络的青海湖区域遥感影像分类

科学准确的获取青海湖区域土地覆盖分类对于研究该区域生态环境变化有着重要的意义.本文使用30米分辨率的LandSat 8 OLI青海湖区域遥感影像数据展开相关研究,30米分辨率属于中等分辨率,当前中分遥感影像的分类方法尚存在特征提取困难、分类精度不高等问题.本文借鉴GoogLeNet Inception结构,设计并提出了一种卷积神经网络模型进行特征提取及分类,分析了用于样本生成的邻域窗口尺寸对分类结果的影响,并与最大似然分类和SVM分类方法进行比较.结果表明,在窗口尺寸为9×9时,CNN模型的总体分类效果最好,且CNN的分类结果明显优于最大似然分类方法和SVM.     

基于深度神经网络的遥感图像分类算法综述

准确、高效的遥感图像分类是遥感图像解析的重要研究内容之一。近年来,随着机器学习技术的发展,深度神经网络日渐成为一种有效的遥感图像分类处理方法。分析了遥感图像分类目前存在的一些问题,并简要阐述了几种典型的深度神经网络的原理结构;然后根据遥感图像分类的研究现状和深度神经网络对遥感图像分类的研究现状,总结了深度神经网络在遥感图像分类技术应用中的发展趋势。     

重复传播网络的改进及其在遥感分类中的应用研究

对重复传播网络在权值初始化、网络学习进行修改,实现在一定警戒条件下竞争层节点的动
态分配,并在遥感分类上进行实验。重复传播网络中学习次数影响了竞争层节点数目和学习精度,
学习精度随学习次数的增加而有限度的增加;警戒参数决定了节点调整的搜索范围,随学习过程进
行,节点搜索范围变小,保证了分类精度和网络的稳定性;两层竞争层结构分类精度要优于单层,其
总精度和Kappa系数分别提高1.1%,0.02。实验结果表明该方法是一可行的遥感分类方法。