基于支持向量机的作物叶绿素含量反演模型

针对现有研究在准确估算叶绿素含量方面的不足,该文运用粒子群优化算法和支持向量机构建叶片尺度作物叶绿素含量高光谱反演模型:利用PROSPECT模型模拟作物光谱,并运用所对应的叶绿素含量建立训练数据集,然后采用粒子群优化算法支持向量机学习训练数据集,最后建立实测叶片叶绿素含量估测模型。研究结果表明,粒子群优化算法和支持向量机构建的反演模型能准确预测作物的叶绿素含量,能够解决小样本作物采样点情况下叶绿素含量反演问题,可以作为作物叶绿素含量估测的参考方法。     

基于神经网络技术的多因子遥感水深反演模型

采用动量BP人工神经网络方法,研究影响多光谱遥感水深反演的各种因素,概括出主要的影响因素,即:泥沙与叶绿素,通过在网络输入端加入泥沙参数因子与叶绿素参数因子,对神经网络进行训练,对大连湾的水深进行反演,取得较好的效果。     

基于支持向量机的土地利用变化模拟模型

以湖北省为例,选取5大类7个耕地,利用变化驱动力因子,将1986~2000年的数据作为样本训练数据,2001~2004年的数据作为测试数据,与耕地变化进行基于支持向量机的回归模拟,用遗传算法对参数进行优化,并与BP、RFB神经网络模型进行了对比。模拟结果精度分析显示,SVM模型较BP神经网络模型理想,与RFB神经网络接近。并运用该模型对湖北省2010年的耕地利用变化进行了预测,结果合理。研究表明,SVM模型有较强的自学习、自适应能力,在土地利用变化模拟中有着广泛的应用前景。     

大坝变形预测的支持向量机模型

针对大坝变形具有强非线性的特点以及在采用传统神经网络模型进行预测时存在局部极小、过学习等问题,提出一种新的大坝变形预测方法——支持向量机方法。该方法基于统计学习理论,采用结构风险最小化原则,保证了模型具有很强的泛化性能,并通过求解一个二次规划问题确保模型具有全局最优。以东江大坝变形预测为实例,说明了该方法的可行性和有效性。     

BP神经网络遥感水深反演算法的改进

针对BP神经网络遥感水深反演算法（简称传统BP算法）的缺点,提出了改进型BP神经网络遥感水深反演算法（简称改进型BP算法）,其基本原理是在模型训练过程中反复运用粒子群算法对BP神经网络的权值和阈值进行优化以弥补传统BP算法的不足。试验表明：改进型BP算法的训练迭代收敛速度明显快于传统BP算法,浅水区的水深反演精度优于传统BP算法,且学习算法对初始权值和阈值不敏感。     

基于支持向量机的建筑物沉降预测模型研究

建立基于支持向量机的建筑物沉降预测模型,并将其应用于建筑物的沉降预测。与采用BP神经网络的预测结果相比,支持向量机取得较好的预测结果。实例表明支持向量机在小样本数据的预测上具有精度高、泛化能力强的特点,为建筑物的沉降预测提供一种新的方法。     

信息向量机、相关向量机和支持向量机在机载LiDAR点云数据分类中的应用

机载LiDAR点云数据分类技术是LiDAR数据后处理的关键步骤。信息向量机、相关向量机及支持向量机可以在LiDAR点云数据分类中发挥重要作用。本文将三种分类器应用到点云数据分类中,通过实验验证了它们在点云数据分类中的性能,总结了它们在点云数据分类任务中的应用潜力。     

海底底质分类支持下的WorldView-3多光谱影像浅海海域水深反演

近几十年来,基于遥感影像进行水深反演一直是国内外学者研究的热点。本文使用WorldView-3高分辨率卫星影像,结合卫星测高数据,以中国海南岛附近的蜈支洲岛及其附近海域为主要研究区域,在进行数据预处理、底质分类之后,分别通过多元线性回归模型、Stumpf对数比值模型和BP神经网络集中对岛屿周围0～20 m水域的水深进行反演和结果分析。结果证明,对这3种模型而言,在进行底质分类之后精度都会明显提升。其中,BP神经网络反演水深精度最高(均方根误差范围为0.2～0.7 m),多元线性回归模型次之(均方根误差范围为0.3～0.8 m),对数比值模型精度最低(均方根误差范围为0.6～1.1 m)。     

基于支持向量机的航空影像纹理分类研究

提出一种用SVM解决航空影像纹理分类的方法。在利用一些常用的纹理特征的基础上,将SVM用于航空影像纹理分类,有效地解决了特征选择难和高维数问题。试验表明,这种方法可以取得较好的结果。     

基于神经网络的LAI遥感反演影响因素分析

基于BP神经网络和植被冠层辐射传输模型PROSAIL对LAI进行反演,针对BP神经网络中网络结构设计的关键问题,从网络隐含层层数、隐含层节点数和学习速率等3个方面进行分析与讨论,确定了最佳的BP网络结构,取得了较好的反演结果。     

基于支持向量机的特定目标检测方法

提出了运用支持向量机进行目标检测的方法。通过对航空影像中的军事目标和自然背景两类样本进行学习,支持向量机检测方法建立了针对目标和非目标有效区分的识别模型,该模型能够对航空影像中所有的区域进行快速的检测和识别,检测到所有感兴趣的人造军事目标。试验表明,该方法快速、高效且具备一定的鲁棒性。     

基于支持向量机的GPS似大地水准面拟合

GPS高精度平面控制成果在各类工程中已经得到了广泛应用,然而其高程信息目前正在作进一步的研究.介绍统计学习理论和支持向量机,提出利用支持向量机技术进行似大地水准面拟合.以实测GPS定位数据为试验资料,对支持向量机和神经网络以及多项式拟合的结果进行比较分析:支持向量机技术拟合数据的精度达到了神经网络和多项式拟合的精度,并且解决了神经网络技术不能实时处理数据、过学习、收敛速度慢、易陷于局部极值等问题.     

基于支持向量机的CBERS-02卫星影像信息提取

CBERS卫星是由中国空间技术研究院与巴西空间研究院联合研制的地球资源遥感卫星,CBERS-02卫星数据总体质量比CBERS-01卫星有所提高,本文利用支持向量机方法对CBERS-02卫星影像信息进行提取。研究中首先用6S模式对影像进行大气校正,然后选择RBF为支持向量机方法的核函数,并用交叉验证方法得到影响RBF核函数的两个最佳参数值进行学习完成信息提取,最后将提取结果制作成矢量图。通过研究得出用大气校正后的数据进行信息提取分类精度有所提高;与最大似然法和最小距离法相比,支持向量机方法分类精度较高。通过将研究结果与ETM+影像进行比较得出,CBERS-02卫星影像精度能够满足应用需求并能代替TM/ETM+数据开展研究工作。     

基于支持向量机的高光谱遥感分类进展

支持向量机作为一种最新的也是最有效的统计学习方法,近年来成为模式识别与机器学习领域一个新的研究热点。支持向量机因其适用高维特征、小样本与不确定性问题的优越性,是一种极具潜力的高光谱遥感分类方法。在分析基于支持向量机的高光谱遥感影像分类进展的基础上,对若干需要进一步研究的问题包括多类分类策略、训练样本与特征空间优化、不确定性控制、核函数选择与优化等进行探讨。     

基于遥感影像的煤矿沉陷区水深反演研究

目前,用遥感研究水深多集中于沿海及内陆水域,煤矿塌陷地水深反演研究很少。本文以徐州九里塌陷湖为例,通过分析水深值与水体反射率的关系,得到各单因子的线性、非线性反演模型,经分析其误差相对较大;选取各水深分段内误差较小的因子,最终建立多元回归模型,其绝对误差、相对误差均优于单因子模型。     

利用PRO4SAIL与支持向量机回归的组合模型反演植被等效水厚度

为监测路域植被生态环境,利用遥感影像和辐射传输模型物理基础实现了对植被冠层等效水厚度（EWT）的估测。提出了利用PRO4SAIL与支持向量机回归的组合模型对等效水厚度进行反演的方法。选取Landsat7 ETM+影像,结合实测数据探索验证了PRO4SAIL与支持向量机回归的组合模型的植被参数反演的实用性和准确性。研究表明,该组合模型具有较好的预测能力,反演得到的等效水厚度含量精度较高,为支持向量机模型应用于遥感影像反演植被参数提高了有力支撑。     

基于灰狼算法和支持向量回归机的非线性沉降变形预测方法

针对常规支持向量机预测模型在变形数据处理预测中的不足,本文提出了一种基于改进灰狼算法的支持向量回归模型。重新定义了灰狼算法中的收敛因子,并引入多项式变异算子,使得算法在收敛方面得到改善;将具有局部特征的柯西核函数和具有全局特征的多项式核函数进行组合,以此来综合核函数的两种不同特性,提高预测数据集的整体精度。采用基坑监测项目数据对模型预测能力进行实验,并与其他模型进行对比分析。结果表明,本文模型对结构变形发展演化的非线性特征拟合精度更高,可以应用到时间序列变化的数据预测处理。     

基于Worldview3数据的浅海水深反演研究

传统水深测量技术灵活性较差,水深资料更新周期长、时效性差。因此,我们需要找寻一种高效便捷方法提取水深。本文采用Worldview3多光谱高分辨率数据与实测数据相结合,针对不同的海底底质类型,建立统计回归模型(单因子模型和多因子模型),对西沙群岛北岛周边的浅海海域,进行浅海水深反演。通过对研究结果的分析,发现单因子模型和多因子模型相关系数都在0.91以上,标准误差也都在1.27以下,反演数据与实测数据偏差较小。且将海底底质分为沙质和草质海底底质类型后建模的精度要高于未对海底底质分类建模的精度。     

基于模糊支持向量机分类的土地利用时空演变研究

利用1995年、2003年和2008年3个时期徐州市丰县TM/ETM+遥感数据,采用模糊支持向量机方法进行土地利用分类,运用ArcGIS和Matlab编程,分析丰县1995—2008年间的土地利用时空格局演变规律和特点。研究表明,丰县建设用地不断扩展,耕地面积继续减少,林地持续增加,同时,丰县在环境保护方面加大了投入力度,土地利用结构和方式正趋向合理化。     

基于支持向量机的GNSS时间序列预测

在深度学习的理论框架下,针对预测全球卫星导航系统(GNSS)时间序列,传统的经验风险最小化预测模型误差大精度低,泛化性能差且对历史数据的经验依赖大的问题.提出一种采用结构风险最小化原则的基于支持向量机(SVM)的时间序列预测模型.通过和多层的BP神经网络预测模型预测效果比较,结果证明SVM预测模型拥有更好的时间序列预测效果.