基于最小二乘支持向量机与熵特征的地震事件性质辨识研究

为解决天然地震事件性质辨识依赖人工检测、自动化程度不高且误差较大的问题,利用机器学习中的最小二乘支持向量机（LSSVM）和信息论中的排列熵、近似熵及香农熵等特征参数,建立Entropy-LSSVM地震波形特征提取与事件性质辨识模型。基于2021年青海玛多M_S7.4地震、云南漾濞地震事件及人工爆破干扰事件等共计500条波形数据,设计多个不同训练比例与测试比例的随机抽取子实验,采用准确率、召回率、特效度、精确度、F-measure验证该模型的有效性。实验结果表明,熵特征对天然地震和非天然地震事件波形的区分效果明显,且结合熵特征的LS-SVM模型整体性能优于QDA、LDA、朴素贝叶斯、决策树、LogitBoost及RobustBoost等方法,训练集与测试集比例为3∶2的辨识准确率和召回率分别达到99.00%和96.97%,即使训练集只有50条的辨识准确率也可达98%以上,这对天然地震事件的有效甄别有一定参考价值。     

SVM在文本自动分类中的应用

支持向量机(S、M)是基于统计学习理论的一种新的模式识别技术。介绍了文本自动分类技术的主要研究概况，并进一步从支持向量机的原理及其在文本分类中的优点等方面阐述了支持向量机在文本分类中的应用。     

多类支持向量机在语音识别中的应用

针对语音模式识别,引入多类（M-ary）支持向量机来进行分类。并详细的介绍了M-ary支持向量机的概念以及语音识别系统中的实现方式。通过仿真实验,与BP神经网络、SVM进行比较,验证了M-ary支持向量机具有识别率高,抗噪能力强等优越性。     

基于联合主题特征的网络新闻文本蕴含环境污染事件检测

网络新闻文本在环境污染事件感知方面具有重要的应用价值。然而,由于环境污染事件的“多米诺效应”,网络新闻文本往往存在对多类型污染事件的混合描述,现有事件检测方法容易导致文本分类错误。本文提出一种基于联合主题特征的网络新闻文本蕴含环境污染事件检测方法,通过兼顾环境网络新闻文本的全局特征和主题分布特征来改善检测分类效果。该方法采用词频-逆文档频率向量对文档进行全局特征表示,并结合文档的主题分布特征向量,构建联合主题特征向量作为监督分类模型的输入,实现环境污染事件检测。实验结果表明,使用联合主题特征的支持向量机方法进行事件类别检测平均F1值相较于全局特征提高15%,相较于主题特征提高36%。本文提出的网络新闻文本蕴含环境污染事件检测方法可支持污染事件类型检测和影响信息抽取,有助于环境污染事件的时空统计与变化趋势预测。     

基于主成分分析的水淹层动态预测方法

针对高含水期水淹层变化的动态特性,提出一种基于主成分分析的最小二乘支持向量机水淹层动态预测方法.该方法应用数据挖掘方法与改进的支持向量机方法,研究高含水期水淹层的分类识别问题,找到测井参数曲线与水淹级别之间的非线性映射关系,建立适合高含水期水淹特征的动态识别模型.它不仅充分考虑各种影响因素,而且利用主成分分析法准确提取...     

使用支持向量机识别地震类型的影响因素分析

对山东地区2006~2017年3种地震事件--天然地震、爆破及塌陷的波形记录进行小波变换,对提取出的香农熵特征采用支持向量机LIBSVM方法进行分类识别,并设计一系列实验研究影响最终分类效果的因素。结果表明,5种影响因素--信号窗长度、小波分解方式、小波基类型、向量机算法类型、向量机核函数类型均对地震类型的分类识别结果产生一定的影响;识别率最高的3组处理方式均采用了2 000 s信号窗长度+db7小波基+υ-SVC算法的组合方式。所得的识别率较高的几种影响因素组合,在未来可应用于地震类型的实时识别,进一步提高地震类型的识别率和触发准确率。     

特征优选与卷积神经网络在农作物精细分类中的应用研究

农作物的精细分类一直是农业遥感领域的热点,对农作物估产和种植结构监管有重要意义。深度学习的出现为农作物分类准确性的提升提供了新的思路。本文提出一种特征优选与卷积神经网络（Convolutional Neural Networks, CNN）相结合的多光谱遥感农作物分类方法,用以解决精细分类问题。实验以哨兵2号遥感影像为数据源,基于多光谱遥感影像的波段反射率与包括归一化植被指数在内的10种植被指数,利用Relief F算法进行特征增强与优选,获取最优特征集,从而设计出基于特征优选的CNN分类方法,并对河南省原阳县主要农作物水稻、玉米、花生进行分类识别与制图,分类精度达到96.39%。同时,选用支持向量机、CNN方法分别对研究区农作物进行分类识别。对比分析3种方法的分类结果,发现本文提出的基于最优特征集的CNN农作物分类方法表现最优,CNN方法次之,支持向量机方法表现最差。实验结果表明：① 利用Relief F算法能够对特征贡献度进行排序,完成特征筛选,得到包含24个特征的最优特征子集,训练精度达到99.89%;② 基于最优特征集的CNN方法能够在最大程度上提取高精度差异性特征,实现对农作物的精细分类,且相比CNN和支持向量机的农作物分类方法,本文方法表现更佳。     

支持向量分类机LIBSVM方法识别天然地震、爆破与塌陷

对天然地震、爆破及塌陷的波形数据进行小波变换，并用小波转换系数提取香农熵特征，采用支持向量分类机LIBSVM多类模式识别方法对香农熵特征进行分类识别，识别率在80%~95%之间。结果表明，采用LIBSVM对波形特征进行分类的方法可以较好地识别天然地震、爆破与塌陷。     

互联网文本蕴含道路交通信息抽取的模式匹配方法

互联网页面和社交网络文本中蕴含丰富的道路交通信息,是其他交通信息采集平台的有效补充。然而,自然语言文本形式的交通信息多以线性参考或地标方位描述交通事件空间位置,且大量存在事件元素缺失或隐含现象,对交通信息的自动化抽取有着较大影响。考虑到交通信息的自然语言表达方式虽然自由随意,但表达模式相对固定,提出一种从互联网文本中抽取道路交通信息的模式匹配方法。首先,基于道路交通事件描述的语言特征构建模式库;然后,以特征词词性序列的形式表达互联网文本和抽取模式,利用DTW距离度量序列相似度,实现抽取模式匹配;最后,在匹配抽取模式和填补规则指导下获取结构化的道路交通信息。由上海市城市交通相关门户网站和微博客平台的实验过程显示,本文所提出的模式匹配方法,抽取道路交通信息的准确率和召回率分别达到90%和80%以上,表明该方法能有效抽取互联网文本蕴含的道路交通信息,且实现过程相对简单,易于扩展,具有可用性。     

利用弹性参数识别致密砂岩储层流体性质

鄂尔多斯盆地苏里格气田致密砂岩储层的孔隙结构复杂,储层低孔、低渗、非均质性特征明显,储层流体识别困难。基于偶极声波测井资料,以致密砂岩岩石弹性参数为基础,利用指标法、交会图分析法、支持向量机进行储层流体性质识别的方法研究。结果表明:纵横波时差比、地层压缩系数与泊松比比值、纵波弹性模量差比可以作为气层识别的指标;引入流体敏感度评价参数,优选出能敏感反映储层含气性的弹性参数,如拉梅系数与密度之积、拉梅系数、体积模量、拉梅系数与剪切模量之比、弹性模量,结合支持向量机对流体进行识别,能够提高流体识别精度;对有试气结论的储层样本进行实际分类处理,利用支持向量机判别样本的成功率为92%。通过对苏里格气田的X350井进行实际分类处理,并经过试气结论验证,证明优选能敏感反映储层含气性的弹性参数,结合支持向量机对储层流体进行识别的方法是切实可行的。     

基于支持向量机的遥感图像分类方法

为了提高遥感图像分类的精度,弥补传统最大似然分类方法所固有的分类时样本不足的缺陷,提出了一种基于支持向量机、光谱特征和纹理特征相结合的遥感图像分类方法。采用ETM数据,按照其所提方法进行了具体分类实验,并将实验结果与最大似然法分类的结果进行了比较分析。结果表明,利用基于支持向量机的方法进行遥感图像分类,精度明显优于最大似然法分类的精度。利用光谱特征与纹理特征相结合进行分类比单纯运用光谱特征进行分类效果要好。     

基于非开挖泥浆性能检测系统与弱监督学习的地层岩性识别

针对非开挖工程工勘资料缺乏,掘进地层岩性难以判别的问题,提出一种基于非开挖泥浆性能检测与弱监督机器学习结合的典型非开挖地层岩性识别方法。结合自主设计研发的非开挖泥浆性能检测系统工程现场应用,获取非开挖掘进导向段泥浆流变性能参数和密度等敏感参数的训练样本。利用部分有标签数据与K近邻（K Nearest Neighbors,KNN）算法对所有泥浆参数训练样本进行特征标签,采用核函数映射到高维空间支持向量机（Support Vector Machines,SVM）进行分类处理,建立了以上海地区典型非开挖地层分类为目标的分类模型。将该地层识别模型应用于上海地区非开挖工程,验证其有效性。结果表明,该方法能在非开挖实时钻进条件下快速识别钻进地层,识别正确率高达96%。研究成果通过采集导向段泥浆性能参数,识别非开挖掘进段地层岩性,为非开挖扩孔阶段钻具选型、泥浆设计等提供了重要地质信息保障。      

微博中蕴含台风灾害损失信息识别和分类方法

社交媒体在灾害信息的实时发布与传播中发挥着越来越重要的作用。在灾害发生过程中,社交媒体中蕴含的实时灾损信息对灾情及时响应和评估有重要意义。然而,这些涉灾文本具有信息破碎度高、文本特征稀疏、标注语料库匮乏等缺点,使得传统的基于监督学习的方法难以有效提取其中的灾损信息。为此,本文提出了一种通过扩展上下文特征和匹配特征词的方法来快速识别和分类社交媒体中蕴含的不同类别的灾损信息。本方法首先基于中文语法规则,抽取小规模不同灾损类别下微博文本中的涉灾关键词构建特征词搭配对。然后,利用词向量模型和已有词库对这些特征词搭配对进行补充和扩展。同时,根据中文词语共现规则,引入外部语料库优化特征词间的语义搭配关系。最终,以此为基础构建台风灾损分类知识库对灾情文本中蕴含的不同类别灾损信息进行识别和分类。本文以2016年9月15日台风“莫兰蒂”登陆事件作为研究案例,以评估本文方法在灾损信息识别和分类上的效果。结果表明,本文方法对微博文本中蕴含的不同类别风灾损失信息的识别和分类效果显著（各类别综合评价指标都达到了0.74以上）。基于灾损信息分类结果,本文绘制了台风影响的时空分布图,从而进一步说明本文方法在灾害损失评估和减灾救灾方面的效用。     

一种贝叶斯和支持向量机相结合的相关反馈策略

相关反馈技术在提高图像检索性能方面发挥着重要作用,但图像检索过程中的相关反馈存在反馈次数过多,反馈效果不够理想等问题。为解决上述问题,提出一种贝叶斯和支持向量机相结合的反馈算法。实现方法是:用贝叶斯分类器对图像库进行分类,达到压缩图像库的目的,然后用支持向量机分类器对压缩之后的图像库进行分类,并反馈最终结果。研究结果表明,与支持向量机和贝叶斯算法相比,在很少的反馈次数下,该方法明显提高了反馈效果。     

基于多层全连接神经网络的6C地震波极化向量识别研究

利用机器学习原理,提出一种基于多层全连接(multi-layer fully connected, MFC)神经网络的六分量(six-component, 6C)地震波极化向量识别方法。首先利用6C地震波各波型极化向量数学模型和一系列仿真参数得到5种波型和噪声波型各5 000个极化向量数据集,然后随机选取其中5 000个作为测试集,其余划分为训练集,进行MFC神经网络与支持向量机(support vector machine, SVM)的综合辨识性能对比实验。结果表明,MFC神经网络模型识别5种极化向量类型(SH波和Love波视为一类)和6种极化向量类型的效果均显著优于SVM模型,平均识别率分别达到99.786%和87.940%。     

基于语义知识的空间关系识别研究

从自然语言文本（新闻报道、博客、论坛、社交网络等）中识别空间关系是大数据时代获取空间信息的重要手段之一。针对现有方法只考虑字词特征,识别过程容易产生匹配歧义的局限,本文提出了一种新的融入词法、句法等语义知识的空间关系识别方法。本方法设计了一个树形结构的抽取模式：树结点代表空间词汇类型,结点之间的关系代表词汇间的依存关系。其中,抽取模式可从标注语料中自主学习得到。模式匹配过程以空间词汇类型和句法依存关系作为硬性约束条件、以词汇语义相似度作为软性约束条件,将模式从树形结构转换成依存序列后,根据有限自动机原理实现匹配。实验结果表明,本方法的识别精度和召回率分别为86.67%和63.11%,与现有其他基于规则的方法相比,有2个优点：（1）模式学习过程无需人工干预;（2）融入了句法依存关系,可消除匹配歧义,提高了识别准确率。     

基于Gabor变换和支持向量机的手写体字符识别算法

针对在手写字符识别中由于书写习惯和风格的不同造成字符模式不稳定的问题,将支持向量机SVM方法用于手写字符的识别.算法首先采用Gabor变换提取手写字符图像的特征参数,然后采用提取的特征训练SVM分类器.再应用SVM分类器分类和判别手写字符.实验表明这种方法具有良好的车牌识别效果,较强的鲁棒性,较大的应用价值.     

黄土地貌类型的坡谱自动识别分析

地貌形态特征识别与分类,对生态环境、水文研究及地质构造分析等地学研究具有重要意义,已成为现代地貌学的一个研究热点。传统的统计模式识别方法精度较低,难以解决线性不可分的模式分类问题。人工方法虽然识别精度高,但因各人认知偏差导致的识别误差难以控制。人工神经网络作为一种动态信息处理系统,能有效解决线性不可分的地貌类型识别问题。坡谱是利用微观地形定量指标来反映宏观地形特征的有效方法,在地貌学研究中正受到广泛的关注。本文以陕北黄土高原8个不同地貌类型区的数字高程模型（DEM）为实验数据,以流域为分析单元,提取坡谱及其特征指标作为描述地形特征的定量因子,并通过BP神经网络的构建与学习,进行黄土地貌类型自动识别。实验结果表明,在8种地貌类型的样本数据中,第1次实验正确识别率平均值达70%;第2次和第3次实验中,去除相似度较高的峁状丘陵沟壑或峁梁状丘陵沟壑任一种地貌类型后,正确识别率平均提升为80%和85%。经Kappa系数验证,该方法能以DEM数据有效识别不同类型的黄土地貌。     

遥感影像混合像元的分解——基于加权后验概率的支持向量机分类算法

混合像元是遥感影像中普遍存在的现象,对此,本文提出基于加权后验概率的支持向量机进行影像混合像元分解。该分类算法可判定端元种类的同时得到每种地物的后验概率,从而进行非线性模型的混合像元分解。由于加权后验概率的支持向量机分类算法能够减少分类器受土地覆盖类型模糊样本点的干扰,因此,改善了非线性混合像元分解模型的精度。首先,由样本点计算得到核函数参数值,然后,计算影像中每一种土地覆盖类型的后验概率,将其作为各个两类支持向量机分类器的权系数并求得多类后验概率值,确定影像每一种土地覆盖类型并得到丰度值。本文采用TM多波段遥感影像验证该方法的可行性,实验区位于我国东北部的大兴安岭中北段地区,土地覆盖类型包含农田、居民地、水体、荒地等。将本文提出的混合像元分解方法结果与标准支持向量机模型分解的结果对比表明,以加权后验概率的支持向量机遥感影像混合像元分解方法精度优于标准支持向量机模型。     

黄土高原地貌类型界线划定研究进展

区分地理实体最直接有效的方式在于对其界线作出划定。目前,黄土高原地貌类型界线划定多是在分类基础上按照分类界线、自然区划界线来界定。基于不同数据源及其表达方式,本文追踪前人对黄土高原地貌类型界线划定的研究进展,从形态成因的地貌分类、数字地貌分类等分类体系中总结了黄土地貌类型界线的内涵,分析了基于自然语言和数字环境下定量描述的优缺点和存在的问题;并梳理了黄土地貌类型界线的表示方法以及基于数字地形分析技术的地貌类型定量识别及其划分方法;从地貌界线确定与分类体系的关系、地貌界线划定的理论与方法参考、地貌界线划定的尺度效应3个方面对地貌类型界线做出了讨论分析与展望,以期为黄土地貌区划的相关理论研究提供背景基础,为当地实践工作等提供理论依据和支撑。