基于核函数理论的系统聚类分析

为了完善系统聚类分析算法理论,使之具有区分数据集非线性集群特征的能力,将核函数理论和系统聚类分析算法有机结合,推导出基于核函数理论的系统聚类分析方法。其基本思路是:把样本从低维观测空间非线性变换至高维像空间,使样本变得线性可分;然后,应用核函数理论“隐式”地实现高维像空间的系统聚类分析。用Pb、Bi、Mo质量浓度作为化探异常的分类依据,对8处化探异常进行分类实验研究,在Pb、Bi、Mo两两组合的二维平面图中,8处化探异常明显地分为（1, 3, 8）,（2, 4）和（5, 6, 7）3个点群,用核系统聚类方法能够很好地区分出这3个点群;而传统系统聚类方法却把8处化探异常错分成（1, 3, 8, 6）和（2, 4, 5, 7）两个类。由此可见,核系统聚类方法的类群区分能力高于传统系统聚类方法。     

基于谱聚类的救援提升车故障诊断方法

针对救援提升车结构复杂、工况故障数据独立性差、故障诊断难的特点,提出一种基于谱聚类的半监督支持向量机救援提升车故障诊断算法。该算法利用谱聚类的思想挖掘原始故障数据的隐藏特征信息,有效区分不同耦合程度的部件系统中故障信息的独立结构特征。首先根据原始输入数据建立故障图谱,然后通过建立拉普拉斯矩阵获取更加符合聚类假设的核函数,最后,建立半监督支持向量机模型,利用梯度下降算法求解最终分类结果。将上述算法应用于XCA30＿JY救援提升车工况故障诊断系统,通过搭建真实仿真环境,对采集到的工况数据进行分类,获取最终分类效果。为评价其性能,分别与传统支持向量机及梯度下降半监督支持向量机进行比较。实验结果表明：提出的算法对于救援提升车故障诊断具有较好的分类效果,救援提升车工况故障分类错误率降低至10.2%,可有效解决复杂工况故障诊断难题。由于本算法具备任意样本空间聚类及非凸函数优化求解能力,因此,除可广泛应用于车载故障诊断系统外,对于数据分类、模式识别等方面具有普遍的应用和指导意义。     

人工神经网络在遥感图像处理中的应用探讨

遥感图像处理常见的困难有数据量巨大、噪声信息多，高度非线性及其导致的难以用解析或表述处理模型等。人工神经网络（artificial neural network,ANN)是由大量简单神经元广泛相互联接而成的非线性映射或自适应动力系统，可以解决上述问题，使用ANN进行遥感图像处理在遥感图像复原，变换和分类中有如下应用：（1）使用ANN和必要辅助数据从TM图像中提取地下火热辐射数据；（2）构造ANN非线性映射，利用TM1－5，7图像提高TM6图像空间分辨率；（3）模糊神经网络（FNN）遥感图像分类。     

基于多聚类中心的加权聚类铸体薄片图像分割方法

针对人工利用显微镜对岩石铸体薄片进行鉴定的低效和普通聚类分割算法对图像边缘分割效果差的问题，本文从岩石特征出发，提出了一种基于聚类分割算法的多聚类中心加权分割新方法，并使用该方法训练了一个适用于岩石铸体薄片的分割模型。使用该模型可以快速地完成对大量薄片的鉴定任务。该方法通过构建新的聚类距离提升了对薄片各组分边缘和内部的分割效果，将多聚类中心的方法和加权的聚类方法相结合，进一步增强了对薄片边缘部分的分割。利用来自疏松岩心的铸体薄片图像进行分割实验，并将本文提出的聚类分割新方法与普通的聚类分割算法的结果进行比较，发现本文方法的分割误差比普通分割方法的误差最高降幅达37.2%。与现有深度学习分割算法对数据量和数据类型的高要求相比，多聚类中心的加权聚类分割算法更适合地质领域中的分割任务，具有较高的应用价值。     

遥感图像像素级异常识别的一种方法

遥感图像异常识别是遥感应用领域一个颇受关注的研究课题,在军事目标识别和自然环境保护等许多领域都有潜在应用价值。不妨假设遥感图像背景像素分布于随空间位置缓慢变化的一系列高斯超椭球体内,异常像素则分布于超椭球体之外。在这种假设前提下,首先应用Weiszfeld方法估算遥感图像中一系列高斯超椭球体的重心和波段协方差矩阵;然后,计算各像素到对应的超椭球体重心的马氏距离,并用直方图法确定马氏距离的异常下限;最后,把马氏距离高于异常下限的像素作为异常像素识别出来。在GDAL遥感图像数据输入输出函数库基础上,用VC++语言开发了遥感图像像素级异常识别的算法程序;用美国亚特兰大TM图像进行了方法的应用实验研究。结果表明,该方法对遥感图像中的局部异常具有很好的识别效果。     

基于蚁群聚类算法的岩石边坡稳定性分析

由于岩石边坡影响因素众多且关系复杂,不能用简单的方法进行分析和判断。在工程类比的基础上,一般采用聚类的方法。但由于边坡工程问题环境的复杂性,岩石边坡稳定分析的聚类问题是一个复杂的模糊、随机优化问题,采用传统方法难免带来很多局限性。为了更好地解决这类问题,首次把蚁群聚类算法这种新近提出的仿生聚类算法引入岩石边坡工程领域,以解决其稳定分析问题,提出一种分析岩石边坡稳定问题的新方法。该方法在分析岩石边坡工程实例资料的基础上,采用蚁群聚类算法,以工程类比的思想判断岩石边坡的稳定状态。工程应用证明,该算法可以自动把岩石边坡分成几种类似的状态,判断准确率较高、计算速度较快,是一种比较实用的岩石边坡稳定分析方法,值得在岩石边坡分析领域推广应用。     

高分辨率遥感数据处理方法实验研究

近几年高分辨率遥感数据处理与应用研究越来越受到国内外学者的重视,已成为目前遥感应用研究领域的热点和难点之一。首先分析了基于像素的中分辨率卫星数据的遥感数据处理方法,包括:基于统计理论的分类方法和基于光谱信息的非参数理论方法的分类方法。在此基础上,针对高分辨率遥感图像的特点,分析了面向对象的高分辨率遥感数据处理方法。其中,图像分割是最关键的一步,即如何有效地提取出对象特征非常重要。最后,给出了高分辨率遥感数据处理方法相关算法实验,主要进行了几种图像分割算法实验,同时结合植被变化检测,进行了变化检测算法实验。     

基于K均值动态聚类分析的地球物理测井岩性分类方法

在地球物理测井数据处理与解释中,岩性识别是地层评价、油藏描述等方面的一项重要内容.利用计算机自动进行岩性识别已成为测井解释发展的重要方向、人们研究和关注的内容.聚类分析是数据挖掘中的一个重要研究领域,是一种数据划分或分组处理的重要手段和方法.K均值算法是聚类算法中主要算法之一,它是一种基于划分的聚类算法.依据不同岩性在常规测井资料中的不同响应,根据K均值动态聚类方法的原理,结合其它资料,对井中的岩性进行分类,从而达到了区分和识别钻孔不同岩性的目的.     

遥感图象定量分析方法及应用

本文论述了遥感图象定量分析的基本原理、计算方法及其应用效果.简明地介绍了几种常用的最佳波段选择方法,论述了用于提取多光谱数据分类特征的主成分分析和典型分析方法及其在岩性地层分类、动态遥感信息检测中的应用效果.文中系统地介绍了遥感图象光谱模式识别的监督分类及非监督分类方法的计算机分析步骤、常用算法、误差分析及其应用条件.最后概略地论述了遥感图像定量分析方法在1:5万区域地质调查工作中的应用方法和应用前景.     

基于快速聚类-信息量模型的汶川及周边两县滑坡易发性评价

滑坡灾害易发性评价研究对规划灾害区域、制定防灾策略等方面具有十分重要的意义。以滑坡灾害频发的汶川及周边两县（理县和茂县）为例,提出滑坡灾害易发性评价的快速聚类-信息量模型。选取坡度、高程、坡向、距构造的距离、距水系的距离、地层岩性和土地利用情况为对滑坡有重要影响的7个影响因子,并在二级因子的分类上,对上述前5个影响因子依据159处滑坡样本分别开展快速聚类分析,同时也给出了传统的等距分类法,以便与快速聚类方法形成对比,对后2个影响因子则以定性方法分类。根据上述二级分类方法的不同,以及滑坡样本是否考虑面积因素,将信息量模型细分为四类（模型a:快速聚类-数量模型、模型b:等距分类-数量模型、模型c:快速聚类-面积模型、模型d:等距分类-面积模型）,分别计算各二级指标信息量,并通过ArcGIS空间叠加分析得到研究区域信息量分布,然后通过自然断点法将研究区滑坡易发性划分为五个等级。以易发性递增原则和线下面积（Area Under Curve,AUC）作为精度评价指标,结果表明:①快速聚类模型（模型a和模型c）整体效果优于等距分类模型（模型b和模型d）;②相同分类方法下,面积模型（模型c与模型d）整体优于数量模型（模型a和模型b）;③在上述两项优势的加持下,模型c相较于模型b,评价精度明显提升,其AUC值从80.46%提高到87.25%。     

基于核最小二乘模型的矿产靶区预测

地质统计单元的含矿性与地质找矿证据之间存在复杂的非线性关系,建立这种复杂关系的多元非线性统计模型并预测矿产靶区,对矿产勘查具有重要指导意义。以核函数为理论工具,在核最小二乘原理基础上提出了矿产靶区预测的核最小二乘模型;在GDAL数字图像输入输出函数库和CLAPACK线性代数软件包基础上,用VC++语言开发了面向栅格数据的矿产靶区预测核最小二乘模型算法程序,并把模型应用于新疆阿勒泰地区的矿产靶区预测研究。在MapInfo中生成包含100×151个网格统计单元的栅格图层,把栅格化后的15种找矿证据图层转化成100×151×15的数字图像数据立方体,用自行开发的程序计算每个网格统计单元的核最小二乘判别得分。结果表明,网格统计单元判别得分的高值区与已知矿床（点）的空间分布基本一致。     

基于TM和ETM+影像数据的东沙环礁珊瑚礁监测

以东沙环礁为研究区域,选取1999年Landsat-7 ETM+影像数据和2001年、2009年Landsat-5 TM影像数据为主要数据源,应用基于统计学习理论的支持向量机（SVM）分类技术,通过选择训练时间较短的“一对一”SVM方法和RBF核函数,对3个年度的影像数据进行珊瑚礁信息提取。结果表明：2009年东沙环礁珊瑚礁面积为140.93 km²;1999－2009年,东沙环礁珊瑚礁面积减少了17.54 km²,珊瑚礁破碎化、白化现象趋于明显,珊瑚礁退化处于中期阶段。空间分辨率的提高可得到更准确详尽的珊瑚礁信息,尤其对小面积珊瑚礁的信息提取。     

基于遥感数据的全球及区域土地覆盖制图--现状、战略和趋势

土地利用／土地覆盖变化研究是近年来全球变化研究的焦点之一。全球和区域尺度的土地覆盖特征对全球环境状况的评估、模拟未来全球环境的情景有重要的作用。2000年在Internat ionalJournalofRemoteSensing杂志上出版了题为"GlobalandRegionalLandCoverCharacterizat ion from Remotely Sensed Data"的专辑。在此基础上,介绍、总结了国际上利用遥感影像进行全球和区域等大尺度土地覆盖研究的新进展。分别从数据源与制图的时空尺度、制图方法（数据预处理、分类、精度评估）等方面进行了介绍,并对现今的两个全球土地覆盖数据库进行了比较分析。     

遥感地质可视化解译知识库建设

利用地理信息系统强大的空间分析功能,通过可视化技术,建立了遥感地质解译知识库模型。按专家解译方法的思想构建了知识库数据结构。并详细地描述了以影像特征库和解译标志库为核心的知识库体系,辅以解译示例库和可视化解译,介绍了知识库模型结构及建设的关键技术,为遥感地质自动可视化解译提供了数据模型基础。     

A novel study of artificial bee colony with clustering technique on paddy rice image classification

Rice is a crop of global importance. To predict the area of paddy rice and thus its production, it draws great attraction of using data mining approaches on remote sensing data, which are well accepted. Many approaches based on supervised and unsupervised learning techniques have been developed over the years. Artificial bee colony (ABC) algorithm with a clustering technique is one of the most popular swarm-based algorithms. In this study, ABC algorithm is used to perform the rice image classification based on remote sensing imagery. This study comprises two stages. In the first part of the study, the ancillary information composed from the original spectra is applied to increase the performance of classification. As the other parts of the study, an efficient unsupervised classifier is developed to evaluate the performance of the incorporated ancillary information. This study integrates the ABC algorithm into a clustering process to build a land cover classifier system. On the other hand, a parallel approach using ant colony optimization (ACO) is studied for comparison. Two significant contributions are presented in this study: (1) a paddy rice image classifier is built with ABC algorithm and (2) the outcome of classifier using ABC algorithm outperforms that using ACO algorithm.     

Land use/cover classification using enhanced IRS-1A LISS 1 data — A case study of Calcutta Metropolitan District,India — 1989

The land use/cover in any urban area is dynamic in nature. Maps of existing land use/covers have to be updated periodically to monitor changes. To speed up mapping and decision making, remotely sensed satellite data have been advocated. This study used the IRS-1A LISS 1 satellite data for delineation of selected urban features in Calcutta Metropolitan District. Due to lack of ground information, some known features have been used as reference categories to classify the study area.The satellite data was transformed through a principal components analysis and two new bands of data were created and combined with the original four band data. Both supervised and unsupervised methods were used for spectral signature collection. Thirty-six classes derived from Isodata clustering, after comparing with the selected known features, these were grouped to form five generalized land use/cover categories. The spatial distribution of these land use/cover categories have been explained in this study.