喀斯特地区遥感影像解译新算法——支持向量机算法

现行的遥感影像解译方法有监督分类和非监督分类。在监督分类中有平行算法,最小距离算法、最大似然算法等,而支持向量机是监督分类中的一种新的算法。本研究选择贵阳市花溪区小碧乡局部地区为研究对象,采用SPOT数据,分别运用最大似然算法和支持向量机算法对研究区遥感影像进行解译。通过建立混淆矩阵,来计算分类精度和Kappa系数。结果表明:支持向量机具有分类精度高,分类图斑完整等优点;但在时间的消耗上,支持向量机算法要比最大似然算法长。对于这两种算法而言,都存在地物光谱特征明显相异的地物易于区别,光谱相似的地物容易造成错分的现象,然而支持向量机分类精度要比最大似然分类精度高一些。支持向量机对样本数量具有敏感性,样本数量过多将导致运算时间过长。因此在实际运用中应根据实际情况,选择适合的算法。      

基于极限学习机的GF-2影像分类

遥感图像分类是提取图像有效信息过程中重要的一部分,为了探寻最优的分类方法,许多机器学习算法逐步应用于遥感分类中。极限学习机（extreme learning machine,ELM）以其高效、快速和良好的泛化性能在模式识别领域得到广泛应用。本文采用训练速度快、运算量小的极限学习机算法与支持向量机（support vector machines,SVM）算法和最大似然法进行分类对比,对高分辨率遥感图像进行分类,分析极限学习机算法对于遥感图像分类的准确度等性能。选取吉林省长春市部分区域的GF-2遥感数据,将融合后的影像设置为原始数据,利用3种方法进行分类。研究结果表明,极限学习机算法分类图像总体分类精度达到85%以上,kappa系数达到0.718,与其他分类方法相比分类准确度较高,且极限学习机运行时间比支持向量机运行时间约短2 480 s,约为支持向量机运行时间的1/8,因此具有良好的性能和实用价值。     

支持向量机方法在膨胀土分类中的应用

将支持向量机方法应用于膨胀土分类问题中,建立了膨胀土分类的支持向量机模型。以膨胀土实测数据为学习样本,经过训练,得到膨胀土的分类区间。应用该模型对剩余的膨胀土数据进行预测,预测结果表明支持向量机分类模型性能良好、预测精度高、简便易行,是膨胀土判别的一种有效方法,具有广阔的应用前景。     

岩爆分类的支持向量机方法

针对岩爆分类问题,提出了基于支持向量机的分类方法。通过对影响岩爆因素的分析,运用支持向量机理论建立岩爆类别的支持向量机模型。结果表明,基于支持向量机的岩爆分类方法具有较高的准确率,该方法是科学可行的,具有广泛的应用前景。     

基于光谱—空间特征的ASTER影像岩性分类研究——以甘肃北山白峡尼山地区为例

遥感岩性制图是地质填图中的重要工作,基于光谱特征的岩性分类易受到色调、纹理等因素影响导致精度不佳。前人进行岩性自动分类研究多关注影像的光谱特征,而忽略空间特征,笔者等基于甘肃北山白峡尼山地区ASTER影像,将支持向量机、极限学习机两种机器学习分类方法与基于空间特征的快速漂移算法相结合进行岩性分类。结果表明支持向量机分类总体精度为89. 17%;极限学习机不但具有需调节参数少的优势,且分类精度和速度均优于支持向量机,分类总体精度达96. 70%;利用快速漂移算法提取的影像空间特征可有效减少错分区,提升岩性分类效果。研究证实将基于光谱特征的极限学习机和基于空间特征的快速漂移算法结合的岩性分类方法具有客观、高效、高精度等优势,可为后续地质填图和找矿勘查工作提供可靠数据支撑,在遥感岩性分类领域具有较高的推广价值。     

支持向量机在砂土液化预测中的应用研究

介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法——支持向量机算法。根据支持向量机线性分类和可以具有不同核函数的非线性分类两种算法，建立了砂土液化预测模型，并且运用Matlab语言编写了程序。通过试算和分析比较得到了最佳模型，最佳模型的预测结果与实际液化情况基本上一致。认为支持向量机算法无论在学习或者预测精度方面都有很大的优越性，而基于支持向量机理论建立的砂土液化预测模型是可行的，且可以较为准确地实现砂土液化的预测。     

基于光谱—空间特征的ASTER影像岩性分类研究——以甘肃北山白峡尼山地区为例

遥感岩性制图是地质填图中的重要工作,基于光谱特征的岩性分类易受到色调、纹理等因素影响导致精度不佳。前人进行岩性自动分类研究多关注影像的光谱特征,而忽略空间特征,笔者等基于甘肃北山白峡尼山地区ASTER影像,将支持向量机、极限学习机两种机器学习分类方法与基于空间特征的快速漂移算法相结合进行岩性分类。结果表明支持向量机分类总体精度为89.17%;极限学习机不但具有需调节参数少的优势,且分类精度和速度均优于支持向量机,分类总体精度达96.70%;利用快速漂移算法提取的影像空间特征可有效减少错分区,提升岩性分类效果。研究证实将基于光谱特征的极限学习机和基于空间特征的快速漂移算法结合的岩性分类方法具有客观、高效、高精度等优势,可为后续地质填图和找矿勘查工作提供可靠数据支撑,在遥感岩性分类领域具有较高的推广价值。     

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。     

基于光谱相似尺度的支持向量机蚀变信息提取

文章提出一种基于光谱相似尺度(spectral similarity scale-SSS)的支持向量机(support vector machines-SVM)遥感数据矿化蚀变信息提取的新方法.该方法选择青海两兰地区作为遥感矿化蚀变信息典型研究区,利用该区域的Landsat7ETM遥感影像结合地面实况调查数据,从图像上选取少量具有代表性的样本点的光谱作为参考光谱,利用SSS方法提取训练样本,然后应用SVM算法进行遥感矿化蚀变信息提取.试验结果经野外检查和验证,效果良好.     

基于支持向量机的遥感图像建筑物识别与分类方法研究

高分辨率遥感影像可以更精细地描述地物目标的几何特征、空间特征和纹理特征等信息,在各个领域中都得到广泛的应用。建筑物作为地物信息分类中的主要部分,是地形图成图的主要组成元素,对建筑物的识别与提取,直接影响到地物测绘的自动化水平,对它的识别和定位可以为特征提取、特征匹配、图像理解、制图和作为其他目标的参照体有重要的意义。针对建筑物的遥感影像特征,研究了支持向量机分类器(SVM)在建筑物识别与分类中的应用,提出了一种交叉验证的方法对参数敏感度进行分析,通过使用GridSearch算法确定模型参数设置的最优方案,并对分类结果中建筑物进行轮廓提取。通过实验表明,优化后的SVM算法对建筑物的分类精度达到90%,对比随机森林算法、最近邻分类器优势非常明显。     

基于支持向量机分类算法的湖泊水质评价研究

支持向量机（SVM）是由Vapnik等人提出的建立在统计学习理论基础上的一种小样本机器学习方法,最初用于解决二分类问题。由于使用结构风险最小化原则代替经验风险最小化原则,使它较好地解决了小样本情况下的学习问题。又由于采用了核函数思想,使它将非线性问题转化为线性问题来解决,降低了算法的复杂度。利用支持向量机多类分类算法,构建湖泊水环境评价模型。实验结果表明,该方法能够正确地对湖泊水环境质量进行分类评价。     

基于聚类-二叉树支持向量机的砂土液化预测模型

建立在统计学习理论基础之上的支持向量机（SVM）,是一种基于结构风险最小的小样本机器学习方法。经典的支持向量机主要针对二分类问题,而工程实践中遇到的往往是多分类问题。根据影响砂土液化的主要因素,采用聚类分析中的类距离思想,建立了基于聚类-二叉树的多类支持向量机的砂土液化判别模型。该模型可以通过有限样本的学习,建立砂土液化与各影响因素之间的非线性关系。研究结果表明,基于聚类-二叉树支持向量机的层次结构合理,分类精度高,泛化性好,可对砂土液化等级进行较准确判别     

Slope stability analysis: a support vector machine approach

Artificial Neural Network (ANN) such as backpropagation learning algorithm has been successfully used in slope stability problem. However, generalization ability of conventional ANN has some limitations. For this reason, Support Vector Machine (SVM) which is firmly based on the theory of statistical learning has been used in slope stability problem. An interesting property of this approach is that it is an approximate implementation of a structural risk minimization (SRM) induction principle that aims at minimizing a bound on the generalization error of a model, rather than minimizing only the mean square error over the data set. In this study, SVM predicts the factor of safety that has been modeled as a regression problem and stability status that has been modeled as a classification problem. For factor of safety prediction, SVM model gives better result than previously published result of ANN model. In case of stability status, SVM gives an accuracy of 85.71%.     

塔里木河下游土地利用覆被MISR多角度遥感制图

通过对塔里木河下游MISR卫星多角度观测数据的不同组合构建多角度数据集,探索多角度观测与传统垂直观测对土地利用覆被遥感制图效果的影响,分别使用SVM(支持向量机)与传统的MLC(最大似然分类法)作为分类器,对分类后得到的混淆矩阵进行分析。结论证实:无论是使用传统的MLC还是SVM作为分类器,多角度观测都取得比垂直观测更高的总体分类精度;MISR近红外波段虽然分辨率较低,但依然含有丰富的信息,对地表覆被的分类有重要影响;无论使用哪一数据集,SVM法都能获得更高的分类精度;不同相机对分类结果的影响各不相同,其中C、D相机的作用更重要。     

Support vector machine applied to settlement of shallow foundations on cohesionless soils

The determination of settlement of shallow foundations on cohesionless soil is an important task in geotechnical engineering. Available methods for the determination of settlement are not reliable. In this study, the support vector machine (SVM), a novel type of learning algorithm based on statistical theory, has been used to predict the settlement of shallow foundations on cohesionless soil. SVM uses a regression technique by introducing an ε – insensitive loss function. A thorough sensitive analysis has been made to ascertain which parameters are having maximum influence on settlement. The study shows that SVM has the potential to be a useful and practical tool for prediction of settlement of shallow foundation on cohesionless soil.     

基于支持向量机的围岩定性智能分级研究

本文将数据挖掘的新方法支持向量机应用于隧道围岩分级.支持向量机是一种基于统计学习理论的新的学习算法,比神经网络算法能更好地解决小样本问题.选用岩层厚度、岩体结构、嵌合程度、风化程度、地下水特征、节理发育程度、榔头敲击声和地应力等 8 个定性指标作为评判因子,用泥巴山隧道采集的实际数据作为样本对不同核函数的支持向量机进行...     

Applicability of Statistical Learning Algorithms for Spatial Variability of Rock Depth

Two algorithms are outlined, each of which has interesting features for modeling of spatial variability of rock depth. In this paper, reduced level of rock at Bangalore, India, is arrived from the 652 boreholes data in the area covering 220 sq⋅km. Support vector machine (SVM) and relevance vector machine (RVM) have been utilized to predict the reduced level of rock in the subsurface of Bangalore and to study the spatial variability of the rock depth. The support vector machine (SVM) that is firmly based on the theory of statistical learning theory uses regression technique by introducing ε-insensitive loss function has been adopted. RVM is a probabilistic model similar to the widespread SVM, but where the training takes place in a Bayesian framework. Prediction results show the ability of learning machine to build accurate models for spatial variability of rock depth with strong predictive capabilities. The paper also highlights the capability of RVM over the SVM model.     

基于网格搜索法优化支持向量机的围岩稳定性分类模型

为科学评价围岩稳定性,本次研究借助支持向量机(SVM)处理小样本、非线性问题能力强的特性,对围岩的稳定性进行了分类。选取16组围岩数据作为学习样本,以岩石质量指标、岩石单轴饱和抗压强度、完整性系数、结构面强度系数和地下水渗水量5个指标作为模型输入,围岩稳定程度为模型输出,建立了基于支持向量机的围岩稳定性分类模型。为增强模型的推广性能,提高其预测准确率,运用改进的网格搜索方法(GSM)寻找最优的支持向量机参数,并对8组围岩数据进行预测,并同BP神经网络模型的预测结果进行对比。结果表明,建立的GSM-SVM模型对预测样本的评判结果与实际结果一致,其预测精度较BP神经网络有很大的提升。     

基于SVM多类分类的滑坡区域危险性评价方法研究

近年来，随着新理论、新技术得发展，提出了许多新模型和方法应用于滑坡区域危险性评价中。支持向量机（support vector machine，SVM）是新一代的学习算法，已有前人利用SVM应用于滑坡灾害预测中。然而大多只是利用了SVM的两分类算法，得到的结果只有稳定不稳定两种．这对滑坡区域评价来说是远远不够的。本文尝试利用SVM的多类分类算法进行滑坡危险性区域评价，取得了较好的结果。     

Predicted ultimate capacity of laterally loaded piles in clay using support vector machine

The determination of ultimate capacity of laterally loaded pile in clay is a key parameter for designing the laterally loaded pile. The available methods for determination of ultimate resistance of pile in clay are not reliable. This study investigates the potential of a support vector machine (SVM)-based approach to predict the ultimate capacity of laterally loaded pile in clay. The SVM, which is firmly based on statistical learning theory, uses a regression technique by introducing an ?-insensitive loss function. A sensitivity analysis has been carried out to determine the relative importance of the factors affecting ultimate capacity. The results show that SVM has the potential to be a practical tool for prediction of the ultimate capacity of pile in clay.