基于遥感数据的土地资源分类方法比较

为对比分析基于遥感数据的各种土地资源分类方法的精度,找到适合区域土地资源的分类方法,以安徽省安庆市怀宁县为研究区域,以Landsat遥感影像为数据源,分别采用K-Means、最大似然、最小距离、基于专家知识的决策树4种分类方法进行该研究区域的土地资源分类,对分类结果图和谷歌卫星图进行比较,分析4种分类方法的分类精度.结...     

基于SVM的高原川道型城市通勤者出行方式选择研究

为探究典型高原川道型城市(西宁市)的出行者对交通出行方式选择的行为,以大规模的居民出行调查数据为基础,提取个人、家庭社会经济属性及出行特征指标,将包含小汽车出行和出租车出行的私人交通方式与公共交通方式这2项通勤方式选择作为目标变量,并通过显著性检验得出影响出行方式选择的8项决策变量.针对29960次有效出行样本,合理划分出训练样本集和测试样本集.基于此,分别构建支持向量机(SVM)和传统的二项Binary logistic (BL)模型以识别通勤者的出行方式选择,选取3项定量指标分方式的分类预测精度、总体分类预测精度和平均绝对百分比误差以对比不同模型的分类结果.研究结果表明:相比BL模型,SVM对分类数据具有更好的拟合效果,对出行方式选择的预测适用性良好,具体来说,对私人交通方式的预测,SVM的预测准确率比BL模型的预测准确率高出8.08％,公共交通则高出了2.76％;SVM的总体分类准确率比BL模型的预测准确率高出4.82％.     

利用小样本调查数据调整北京市车里程累积率

由于MOBILE中的交通参数缺省值反映的是美国车辆的行驶特征，因此必须利用我国的交通参数来校正MOBILE中的缺省值以提高尾气的计算精度．本文论述了一种基于小样本调查数据来调整MOBILE中车里程累积率参数的算法，对原有算法进行了简化，并根据我国车型分类，对北京市的交通参数进行了调整．结果表明应用调整的车里程累积率计算尾气排放因子同利用MOBILE6的缺省值来计算有显著的区别，VOC的误差是40．23％，CO的误差是30．42％，NOx的误差是17．53％．     

利用神经网络建立土壤施肥模型的应用研究

基于神经网络理论，对土壤施肥模型进行了研究。通过对小麦在同一农田重复进行种植试验，且每次施不同的肥料用量，最后选取丰产的数据作为实验样本，通过归一化把实验数据进行必要的处理。采用BP算法训练网络，对小麦产量和施肥量之间的映射关系进行了数逼近，建立了土壤施肥神经网络模型。通过实际数据验证，该模型的输出与实际肥料用量基本相符。将所建神经网络模型进行用于施肥量的预算，提出了预算精度并能取得较好的效果。     

最佳回归分析法在工程中的应用

在工程中常作回归分析,所建回归模型常含有模型误差,为了提高回归精度,作出正确的回归预报,研究回归模型的误差补偿,笔者在文中建成了一套检验和补偿模型误差的方法.     

基于手机信令数据的城市区域居民出行OD预测模型

为揭示城市区域居民出行规律和OD产生原理，基于手机信令数据探索城市区域居民出行目的地选择机制，考虑人口数量和POI数量两类数据建立一个地点机会选择(POS)模型。利用联通智慧足迹平台获取得到哈尔滨市居民手机信令出行数据，从交通小区和交通中区两个尺度，对哈尔滨市市二环、三环、四环不同范围展开实例研究。结果表明：地点机会选择模型预测结果在吸引能力和出行距离分布中基本符合实际数据规律，从交通小区和中区两个尺度上看，该模型预测精度分别能够达到67%～72%、75%～83%，较机会优先选择模型预测精度分别提高了13%～18%、9%～20%，较辐射模型预测精度分别提高了57%～60%、55%～60%。本文所提出模型的优越性在于模型简单且无待定参数，输入数据较容易获取，具有较高的预测精度，能够为城市交通规划提供理论参考。     

实时分布式地图匹配系统的设计与实现

在智能交通系统的基础上,设计实现了基于实时浮动车数据的分布式地图匹配系统.分布式架构的应用旨在提高系统数据接收和处理的实时性.同时提出了一种基于道路网格和最短路径的快速地图匹配算法,通过网格划分确定候选路段,根据二次网格划分、GPS角度和数量对候选路段权重进行修正,并利用最短路径算法寻求最符合路径,在保证处理效率的同时匹配的精度也有所提升.仿真实验选用三台匹配处理节点,经验证,完成大连市1000辆出租车约130万个GPS点的地图匹配用时为1分37秒,算法的平均正确匹配率为93.3％.实验结果满足实际智能交通系统的基本要求.     

基于混合比例方法抽样用于入侵检测

支持向量机对于样本量不足的情况下会使得入侵检测分类精度普遍下降.为了提高入侵检测的检测精度,提出了一种利用混合比例抽取样本研究不平衡数据集的方法.该方法首先将数据集按各种类别分开,然后不按比例抽取,使得每层样本中的数据量相对平衡.再用此样本集构造分类器,采用构造的分类器去构建入侵检测系统进行检测.实验结果表明,使用这种混合比例的不平衡数据集分类方法可以有效地提高检测精度,而且降低误报率.     

高速公路非接触式交通检测技术的应用研究

非接触式交通检测技术具有检测范围大,安装维护方便等优点,在高速公路动态交通数据采集中不断得到应用。本丈在分析各种非接触式检测技术特性和精度的基础上,通过现场实验,研究了非接触式检测技术的应用功能、基于微波一线圈的组合应用及其数据融合。实验结果表明,非接触式交通检测技术在高速公路动态数据检测中可以使用,但由于受检测精度、数据类型、范围与安装使用条件的影响,不宜单独使用;通过非接触式与接触式检测技术的组合应用,克服了接触式检测器难以维护的缺陷,并且多检测技术数据融合的检测精度比单一检测技术提高10％～15％。     

基于深度学习的园林智能浇灌系统

园林浇灌有自动浇灌和人工浇灌2种模式,但都存在水资源浪费、人力资源浪费和不合理浇灌等问题。针对这些问题,文中将深度学习和机器视觉技术应用于土壤湿度分类,以土壤图像与对应的湿度为样本,建立了卷积神经网络框架,并基于大量实验对卷积神经网络进行了训练和验证,实现了基于土壤图像信息的浇灌需求智能决策,决策正确率达到85%以上,并与控制系统相结合,实现了园林智能浇灌系统,从而达到合理浇灌、节约水资源与人力资源的目标。     

基于GIS平台的农业非点源污染研究

开发了一种运算法自动生成AGNPS模型所需要的大部分资料，并把模拟结果转换成GIS文件格式，利用遥感软件和开发的程序，从3个来源生成AGNPS模型需要的数据，包括来自于地形地貌图的数字化文件，土壤调查图集的数字化土壤分类图和地球资源卫星TM图像的植被覆盖分类图件；一旦生成了需要的GIS文件，格式转换软件能把GIS文件转换为AGNPS要求的表格文件格式；最后把AGNPS所有输出结果转换成GIS文件格式，以便用于进一步工作分析。     

Automatic Identification of Butterfly Species Based on Gray-Level Co-occurrence Matrix Features of Image Block

In recent years, automatic identification of butterfly species arouses more and more attention in different areas. Because most of their larvae are pests, this research is not only meaningful for the popularization of science but also important to the agricultural production and the environment. Texture as a notable feature is widely used in digital image recognition technology; for describing the texture, an extremely effective method, graylevel co-occurrence matrix(GLCM), has been proposed and used in automatic identification systems. However,according to most of the existing works, GLCM is computed by the whole image, which likely misses some important features in local areas. To solve this problem, this paper presents a new method based on the GLCM features extruded from three image blocks, and a weight-based k-nearest neighbor(KNN) search algorithm used for classifier design. With this method, a butterfly classification system works on ten butterfly species which are hard to identify by shape features. The final identification accuracy is 98%.     

Automatic product image classification with multiple support vector machine classifiers

For the task of visual-based automatic product image classification for e-commerce, this paper constructs a set of support vector machine (SVM) classifiers with different model representations. Each base SVM classifier is trained with either different types of features or different spatial levels. The probability outputs of these SVM classifiers are concatenated into feature vectors for training another SVM classifier with a Gaussian radial basis function (RBF) kernel. This scheme achieves state-of-the-art average accuracy of 86.9% for product image classification on the public product dataset PI 100.     

基于面向对象分类的密云县城区地面不透水程度分析

利用LandsatTM影像数据,试验了一种基于面向对象分类分析的城区地面不透水程度分析制图方法,包括：对城区多光谱遥感影像进行分割,对分割生成的影像对象层进行面向对象的分类,再在分类的层上执行基于分类的融合,从而获得城区与非城区分布范围的影像对象层;第2次分割影像,获得表示城区独立结构单元的完全不透水地面影像对象层,对该层进行面向对象的分类;第3次分割影像,获得表示城区不同地块的影像对象层,结合第1次和第2次影像分割对象层分类的特征信息对该层进行面向对象的分类,把城区地块按不透水程度大小进行分类;最后输出第3次分割的影像对象层分类结果图,即获得城区地面不透水程度分析图．试验结果表明,面向对象分娄暑一种i舌干分析珐区王lb．面不番水程唐的有张方法     

结合区域分割和Wishart分类器的机场跑道区域快速检测方法

提出了一种结合区域分割和Wishart分类器的极化合成孔径雷达图像机场跑道区域快速检测方法; 利用简单线性迭代聚类算法分割极化合成孔径雷达图像, 并将分割得到的超像素作为后续分类处理的基本单元; 采用一种优化后的距离度量方式给超像素分配类别标签, 解决了传统Wishart距离度量因子冗余运算量大的问题; 分析了机场跑道区域像素的极化散射特性, 利用机场跑道区域的弱散射特性从分类结果中提取感兴趣区域; 利用机场跑道的结构特征筛选辨识感兴趣区域, 进而确定机场跑道区域的准确位置; 利用极化合成孔径雷达实测数据测试了算法的有效性, 并与传统基于像素的检测结果进行对比。试验结果表明: 该算法在复杂大场景下能够快速有效检测出机场跑道区域, 检测出的跑道轮廓清晰, 结构比较完整; 采用简单线性迭代聚类算法预处理图像极大地降低了后续处理的复杂性; 针对墨西哥湾试验数据, Wishart分类器处理单元个数分别是Freeman+Wishart算法和FCM+Wishart算法的1.0%和2.4%, 整个检测过程耗时分别为Freeman+Wishart算法和FCM+Wishart算法的9.9%和27.1%;针对大岛试验数据, Wishart分类器处理单元个数分别是Freeman+Wishart算法和FCM+Wishart算法的1.0%和2.6%, 整个检测过程耗时分别为Freeman+Wishart算法和FCM+Wishart算法的14.0%和31.8%。可见, 所提检测方法的实时性能优于基于像素的检测方法。      

基于半监督学习的SVM-KNN

提出一种新的基于半监督的SVM—KNN分类方法,当可用的训练样本较少时,使用SVM进行分类,不能得到准确的分类边界,本文采用半监督学习策略从大量未标记样本中提取边界向量来改善SVM-KNN分类器的引进不仅扩充了SVM的训练样本数目,而且优化了迭代过程中训练样本的标记质量,可不断修复SVM的分类边界．实验结果表明,所提出的方法能提高SVM算法的分类精度,通过调整参数能够获得更好的分类效果,同时也减小了标记大量未标记样本的代价．     

基于多SVM分类器融合的高速公路异常事件检测方法

提出了一种利用多SVM分类器对高速公路中的复杂交通信息进行有效融合的异常事件检测方法.首先,将初始训练集划分为互不重叠的子集,为每个子集训练分类器.给定一个输入向量,利用分类器求得其所属的类别标签,并计算出该向量对特定簇的隶属度.其次,利用概率方法将多SVM分类器分类结果进行融合,得到最终分类结果.接下来,将“车流量”、“行车速度”、“道路占用率”、“相邻监测站的车流量差值”、“速度差值”以及“道路占用率差值”等交通参数表示为特征向量,分别输入到经过训练的SVM分类器,并将多SVM分类器融合后的分类结果作为判别异常事件的依据.最后,从5个具有代表性的高速公路路段采集到的交通数据构造实验数据集.实验结果表明,对比单一SVM和LS-SVM,文章提出的基于多SVM分类器融合的高速公路异常事件检测方法可以有效提高高速公路异常事件检测的准确性和可靠性,弥补了仅使用单一交通参数进行异常事件检测的不足.     

Logistic Regression for Evolving Data Streams Classification

Logistic regression is a fast classifier and can achieve higher accuracy on small training data.Moreover,it can work on both discrete and continuous attributes with nonlinear patterns.Based on these properties of logistic regression,this paper proposed an algorithm,called evolutionary logistical regression classifier(ELRClass),to solve the classification of evolving data streams.This algorithm applies logistic regression repeatedly to a sliding window of samples in order to update the existing classifier,to keep this classifier if its performance is deteriorated by the reason of bursting noise,or to construct a new classifier if a major concept drift is detected.The intensive experimental results demonstrate the effectiveness of this algorithm.     

铁氧体磁瓦表面典型缺陷检测方法

为解决人工磁瓦表面缺陷检测质量不稳定的问题,提出了一种自动检测磁瓦表面缺陷的方法.首先利用磁瓦轮廓长度、面积等几何特征及轮廓匹配的相似度作为特征向量,采用支持向量机进行初次分类;然后再利用对凸凹缺陷的分析,得到缺陷数量和面积作为特征向量,采用最小均方误差分类器进行二次分类;最后对上述2步结果做与运算,得出最终判断.实验表明本方法可以达到正确识别率约为91.80%,错误接受率约为0.75%,正确拒绝率约为14.00%.