基于对应分析的训练样本的选择

本文提出一种基于对应分析的训练样本的选择方法。它从训练样本中自动地选择有代表性的典型训练样本,使得在自动分类中充分利用所采集的样本信息,以便得到满意的分类结果。通过实验与分析证明,该方法是可行的,它明显优于人工随机选择训练样本的方式。与基于Q型因子分析的训练样本选择方法相比,可以更快地得到较少的典型样本,满意的分类精度。     

基于对应分析的训练样本的选择

本文提出一种基于对应分析的训练样本的选择方法。它从训练样本中自动地选择有代表性的典型训练样本,使得在自动分类中充分利用所采集的样本信息,以便得到满意的分类结果。通过实验与分析证明,该方法是可行的,它明显优于人工随机选择训练样本的方式。与基于Q型因子分析的训练样本选择方法相比,可以更快地得到较少的典型样本,满意的分类精度。     

基于Q型因子分析的训练样本的选择

提出基于Q型因子分析的训练样本的选择方法。它可自动地选择训练样本,而且被选择的训练样本具有代表性,使其在自动分类中充分利用所采集的样本信息,以便得到满意的分类结果。通过实验与分析证明,该方法是可行的,它优于基于人工随机地选择训练样本的方式,而且可获得更高的分类精度。     

利用能量因子进行DEM升尺度转换精度评价

全面评价数字高程模型（digital elevation model,DEM）升尺度转换方法的精度,有助于合理选择DEM升尺度转换方法,掌握DEM尺度转换规律及构建新的DEM升尺度转换模型。然而目前关于DEM精度评价的研究成果还难以达到实际应用的要求,从全新的视角寻找客观、高效的DEM升尺度转换结果的精度评价方法仍有待研究。基于地球表面接收太阳辐射的分布特性,提出基于能量因子的DEM精度评价方法,应用于不同DEM升尺度转换方法的精度评价中。基于现有的精度评定与质量评价方法,构建定性与定量分析相结合的综合评价方法,以验证基于能量因子的精度评价方法的合理性和有效性。实验结果表明,基于能量因子的精度评价方法原理简单、操作方便,能够反映升尺度转换后DEM地形空间遮蔽关系的变化情况。该方法为DEM升尺度转换结果的精度评价提供了新的思路和方向,对DEM在定量遥感建模与山区地表生态参量反演等方面的应用具有一定的借鉴意义。     

一种基于输入向量机的高光谱影像分类算法

支持向量机分类方法存在惩罚系数需要交叉验证获取、训练时间较长、支持向量个数随着训练样本数量的变化而变化,以及稳定性和稀疏性较差等问题。针对这些问题,提出了一种基于输入向量机的高光谱影像分类算法。该算法在核逻辑回归模型的基础上,采用前向贪心算法选择训练样本中的输入向量来进行模型的训练,达到稀疏的目的,提高影像的分类精度和分类效率。通过PHI和OMIS两组高光谱影像分类实验,结果表明基于输入向量机分类算法具有稳定性好、稀疏性强的优点。     

基于Q型因子分析的训练样本的选择

本文提出基于Q型因子分析的训练样本的选择方法。它可自动地选择训练样本,且被选的训练样本具有代表性和完整性,使其在自动分类中充分使用所采集的样本信息,以便得到满意的分类结果。作者通过实验与分析证明,该方法是可行的,而且它优于基于人工随机的训练样本的选择方式。     

基于半监督学习的遥感影像分类训练样本时空拓展方法

针对无法直接获取训练样本的遥感影像分类问题,从满足条件的其他影像中选择替代训练样本是最直接的方法,但由于地物类型在不同影像中的辐射环境不同,导致替代训练样本对待分类影像的代表性较差,无法保证分类精度.以直推式支持向量机(transductive support vector machine,TSVM)分类为例,发展了一种基于半监督学习的遥感影像训练样本时空拓展方法.该方法采用非监督方法从待分类影像中选择大量未标记样本,挖掘各类地物在特征空间中的结构信息;以替代训练样本所拟合的分类面为初始面,通过自适应渐进式的优化,实现对待分类影像的高精度分类.该方法要求训练样本的来源影像与待分类影像具有相似的地物分布和相近的时相.以SPOT5和QuickBird影像分类为例,分别通过基于像元的和基于分割对象的分类实验证实,该文提出的方法可有效地实现训练样本的时空拓展应用.     

用L-曲线法确定半参数模型中的平滑因子

提出了一种新的方法——L-曲线法确定平滑因子。通过确定合适的平滑因子，更好地控制了残差部分V^TPV与光滑度部分S^TRS之间的平衡，得到了更准确的参数估值。通过算例，将基于L-曲线法确定平滑因子的半参数模型解算方法和其他方法进行了比较。结果表明，用L-曲线法确定平滑因子后，提高了半参数模型计算结果的精度，可以更好地将观测值中的系统误差分离出来。     

云雾覆盖下地表温度重建机器学习模型的训练集敏感性分析

热红外遥感是监测地表温度的重要技术手段。然而,由于其易受云雾影响,热红外遥感反演地表温度存在大量的观测空白区域,严重影响地表温度产品的应用。近年来,机器学习算法的发展为实现地表温度无缝观测提供了新的技术手段。然而,基于机器学习的云雾覆盖像元重建方法与训练样本的数量和分布有着直接的联系,其应用条件在现有研究中还鲜有讨论。为深入探究重建过程中训练数据量和数值分布对重建精度的影响,本文选择基于随机森林的地表温度重建模型开展样本敏感性分析,采用美国MODIS陆地产品和欧洲第二代静止气象卫星（MSG）入射短波辐射产品重建不同训练样本集下的地表温度,并与真实地表温度数据比较,定量评估重建结果精度与样本数量和分布之间关系。研究结果表明：（1）地表温度重建精度随着训练样本数据量增加显著转好。（2）在数据量一定的情况下,随机采样方式因为具有空间代表性比区域取样方式具有更精确更稳定的精度,能将重建后的均方根误差降到2.1 K以下,相关系数达到0.93以上。即使数据量较小,随机取样方式的重建精度较稳定的特点使得模型对因数据量不足造成的重建精度降低的负面效应具有减弱作用。（3）进一步划分不同高程带和植被覆盖条件下的训练集,当训练集所处范围与重建集所处范围一致或者训练集覆盖范围越广时,重建精度越好。总体而言,上述研究成果为今后采用机器学习方法重建地表温度应用中训练样本选择以及获取高精度地表温度重建结果提供了重要的科学参考。     

基于S3VM模型的高光谱遥感影像分类

针对传统的高光谱遥感影像分类受限于训练样本的个数,难以取得较好分类结果的不足,提出了一种基于聚类核的半监督支持向量机（S³VM）模型的高光谱遥感影像分类方法。该算法在半监督支持向量机的体系上加入未标记样本来辅助构建核矩阵,从而获得更优异的分类器,在小样本的基础上提高分类精度。试验结果表明,本文方法的分类精度好于传统方法,并且稳定性良好。     

面向小样本高光谱影像分类的轻量化关系网络

近年来,基于深度学习的高光谱影像分类取得重要进展,针对高光谱影像分类训练样本稀缺的情况,提出一种结合注意力机制的轻量化关系网络（lightweight attention depth-wise relation network, LWAD-RN）, 以解决高光谱影像小样本分类问题。该网络由嵌入层和关联层组成,在嵌入层采用结合注意力机制的轻量化卷积神经网络提取像元特征,同时引入稠密网络结构;在关联层计算关联值进行分类,并采用基于任务的模式训练网络。利用3组公开的高光谱影像数据进行对比实验,结果表明,LWAD-RN能够有效提升小样本条件下（每类5个训练样本）的分类精度,同时提高了模型训练和分类效率。     

利用胶囊网络实现高光谱影像空谱联合分类

卷积神经网络等深度学习模型已经在高光谱影像分类任务中取得了理想的结果.然而,由于传统神经元只能进行标量计算,现有的深度学习模型无法对高光谱影像特征的实例化参数进行建模,因此无法在邻域范围受限的条件下获得令人满意的分类效果.通过引入胶囊网络结构设计了一种新型网络模型,该模型利用胶囊神经元进行向量计算,并利用权重矩阵编码特...     

超体素随机森林与LSTM神经网络联合优化的室内点云高精度分类方法

针对现有三维点云数据分割分类方法存在分类目标内部不一致的问题,提出一种超体素随机森林与长短期记忆神经网络（long short-term memory,LSTM）联合优化的室内点云高精度分类方法。该方法根据超体素结构具备内部特征一致性的特点,对原始点云进行超体素划分,并以超体素为基本单元进行多元特征计算,搭建室内点云超体素随机森林分类模型,实现点云数据的粗分类。在此基础上,引入LSTM对粗分类的超体素邻域连接关系进行神经网络模型训练与预测,实现超体素粗分类结果的优化。基于开放数据集对所提分类方法进行有效性和精度验证,结果显示,该方法在公开数据集中对13类要素的分类精度可达到83.2%;与经典的深度学习框架相比,该方法在小样本训练时可以达到更优的分类精度。     

融合3D DenseNet的零样本视频分类

零样本视频分类（zero-shot video classification,ZSVC）采用的点积分类方式容易使神经元产生较高方差,从而导致模型对输入分布的变化非常敏感。针对该问题,采用三维密集网络（3D DenseNet）与余弦相似性相结合的方法,提出了一种基于3D DenseNet的零样本视频分类（3D DenseNet for zero-shot video classification,DZSVC）算法,通过使用余弦相似性的分类方式替代点积分类方式来控制方差的范围,使模型对不同的输入幅值具有更强的鲁棒性。该算法首先将视频数据输入到3D DenseNet中,利用3D DenseNet的密集特性提取更丰富的时间和空间信息,并将提取出来的特征向量映射到公共空间。采用基于余弦相似性的方法对视频进行分类,在UCF101数据集和HMDB51数据集上的准确率分别为32.9%和20.2%,UCF50数据集和HMDB25数据集上的准确率分别为41.4%和23.7%,实验结果表明所提算法具有良好的分类效果。     

自组织优化分类的AUV地磁导航适配区选取

为确保水下自主航行器(autonomous underwater vehicle, AUV)地磁导航的可靠性及其航迹规划的合理性,提出了一种基于主成分分析(principal component analysis, PCA)和改进反向传播(back-propagation, BP)神经网络结合的候选地磁匹配区自组织优化分类方法。将候选地磁匹配区的分类问题统一在模式识别的框架下,首先,采用PCA对若干地磁图特征参数进行线性变换,获取独立的主成分特征参量;然后,利用遗传算法(genetic algorithm, GA)优化BP神经网络的初始权阈值来提高候选地磁匹配区适配性分类的准确性;最后,借助GA-BP神经网络来构建地磁图特征参数和匹配性能的映射关系,完成地磁适配区的自动识别。仿真实验结果表明,该自组织优化分类方法在地磁导航适配区选取方面具有较高的分类精度和可靠性,为AUV的高精度长航时自主导航提供重要保障。     

利用CART分类树分类检测交通拥堵点

交通拥堵检测是城市交通管理工作的重点和难点之一,现有的拥堵检测以路段为单位,不利于拥堵时空演变规律信息的提取,且检测内容大多只涉及拥堵程度,缺少对拥堵类型的识别。基于CART（classification and regression tree）分类树算法,提出一种以路段点为检测单元的拥堵点分类检测方法,该方法可根据路段平均行驶速度实时检测拥堵点及其类型。首先,将路段等距离划分后映射为路段点,根据时空维路况异常规则和异常模式,以路段点为单元分析了4种拥堵类型的时空演变模式;其次,在路段路况检测的基础上,提取路段点路况时空序列,根据不同类型的拥堵模式对路况时空序列进行分类标记;然后,选取4种速度指标作为样本属性集合,按照属性集合提取各路段点在各时段的速度,以此作为决策树学习的数据集;最后,基于CART分类树算法,采用交叉验证的方式训练出最优模型,使其达到最佳的泛化能力。与支持向量机（support vector machine, SVM）分类模型进行比较,实验结果表明,该方法在分类检测交通拥堵点时具有较高的正确率和召回率,且分类检测时效性较好。     

遥感图像质量等级分类的深度卷积神经网络方法

遥感图像应用发展对图像质量的要求越来越高,不同质量的遥感图像往往需要不同的处理方法和参数。通过遥感图像质量等级分类研究,不仅能够为遥感图像的处理提供先验信息,还能够对遥感图像的客观质量评价和传感器的成像效果进行评估。为了克服现有的遥感图像质量等级分类方法计算参数获取困难、等级数量少的缺点,利用深度学习方法的分类机能,通过改进特征提取网络和等级分类设计,建立了一种基于深度卷积神经网络的遥感图像质量等级分类模型。通过质量等级分类预处理后,利用经典的深度学习方法进行目标检测实验。结果表明,所提方法在西北工业大学遥感图像数据集上质量等级分类的准确率、召回率、精确率和F1最高能达到0.976、0.972、0.974和0.973, 优于传统算法。利用卷积神经网络实现遥感图像质量等级分类,既拓展了深度学习的应用领域,又为遥感图像质量评估提供了一个新方法。     

GEE环境下联合Sentinel主被动遥感数据的国家公园土地覆盖分类

国家公园的土地覆盖分类对于掌握自然资源现状、查明存在的生态安全威胁并快速应对具有基础性数据支撑作用。基于谷歌地球引擎（Google Earth Engine,GEE）平台,结合哨兵（Sentinel）主被动遥感数据及其导出的光谱指数、纹理特征和地形特征,分别采用基于像元的随机森林（random forest,RF）算法和面向对象的简单非迭代聚类（simple noniterative clustering,SNIC）+RF算法实现了钱江源国家公园异质性景观的土地覆盖（耕地、森林、草地、水体、人造地表和裸地）分类。地面实验表明,在多种输入数据组合中,基于像元和面向对象方法分类获得的最高总体精度分别为92.37%和93.98%。合成孔径雷达（synthetic aperture radar,SAR）数据的纳入能够提高基于像元方法的分类精度,但在面向对象方法中未能体现精度提升效果。通过SNIC+RF算法生成的土地覆盖分类图完整性更好,所需特征数量较少,并且算法能够在GEE环境下快速执行,适用于国家公园管理实践。     

结合轨迹数据的混合多特征道路网选取方法

道路网选取是制图综合的重要内容,针对现有方法仅考虑道路网静态特征等问题,提出了一种结合轨迹数据的混合多特征选取方法。首先以stroke为基本选取单元,构建对偶图来描述路网的结构关系,采用长度、连通度、接近度和中介度等指标对道路的静态特征进行评价;然后结合轨迹数据特点,采用车流量、车辆速度和道路交叉口附近的车辆密度等指标对道路的动态特征进行评价;最后利用基于相互关系准则的标准重要性方法计算得到各指标的权值及各道路的综合重要性值。同时引入线Voronoi图对道路进行划分,得到道路的密度特征值,并将其作为道路网选取的约束指标。实验结果表明,所提方法能够保持道路的整体结构,同时顾及道路的连通性和密度分布,而且结合了轨迹数据的动态交通特性,选取结果符合实际情况,具有一定的实用性。     

使用多尺度模糊融合的高分影像变化检测

为了提高高分辨率遥感影像变化检测的可靠性,提出了一种基于模糊综合评判的遥感影像变化检测方法.首先对两个时相的影像进行波段叠加,对多波段新影像进行多尺度分割;然后针对单一尺度上的对象,综合考虑两时相遥感影像对象的光谱特征和纹理特征,建立模糊综合评判模型,对各个对象内的像素是否发生变化进行隶属度计算;最后采用熵权法对影像各...