基于RBF神经网络的遥感影像分类算法研究

提出了运用径向基函数神经网络和K均值法进行遥感影像分类的算法，以实际的遥感影像分类为例，通过与传统的最小距离法进行比较，对RBF神经网络分类器的优点进行了归纳，并就算法实施中的一些问题进行了探讨。分析结果表明，RBF神经网络是一种有效的图像分类器。     

截尾均值与平尾均值

根据截尾均值、平尾均值的定义和截尾正态分布。本文得到了这种两均值都是最或然估计最，并导出了它们的影响函数，用来表征估值的抗差性，最后对效率问题作了一 些讨论     

基于时序NDVI的昭觉植被覆盖度变化研究

归一化植被指数(NDVI)能精确地反映植被绿度、光合作用强度,在一定程度上反映着植被的演化信息,是评价生态环境状况的重要指标之一。本文利用Landsat TM数据分别对昭觉地区2009年和2014年的NDVI进行计算,并分别利用均值法、像元二分模型及NDVI差值植被指数对研究区域植被覆盖变化进行定量分析,结果表明:昭觉县NDVI均值上升了11.6%,植被覆盖度中极度改善的面积比例约占38%,昭觉县整体NDVI植被覆盖度显著提高,并对其变化原因进行简要分析,为生态环境建设提供决策依据。     

高维遥感图像的快速分类算法

为了实现对高维遥感图像的快速准确分类,提出了一种基于k均值二叉树支持向量机(SVM)的分类方法。该方法通过对选取的训练样本进行k均值聚类,生成支持向量机分类二叉树,作为确定最佳分类顺序的依据,以降低分类过程中的误差累积并提高整体分类精度,而且可缓解由样本数量不均衡导致的分类误差。该方法可在不进行降维处理的情况下,对高维遥感图像进行快速准确分类。测试结果表明,其分类速度和分类精度都优于传统的支持向量机分类结果。     

局部均值分解与支持向量回归的大坝变形预测

针对现有变形预测方法对于大坝变形的预测效果不理想的问题,该文利用局部均值分解方法获取生产函数分量并进行支持向量回归建模,用此方法对大坝变形进行多尺度分析。通过局部均值分解对大坝变形序列进行分解得到其乘积函数分量,然后利用支持向量机回归进行外推预测,再把各乘积函数分量的预测结果进行叠加重构生成,进而获得大坝变形预测值。通过实例分析,比较GM(1,1)、支持向量机和该文方法3种模型在变形监测数据处理中的拟合和预测结果,表明该文方法充分发掘数据本身所蕴含的物理机制和物理规律,提高了大坝变形多尺度预测精度。     

改进支持向量机的高分遥感影像道路提取

针对支持向量机受分类数的限制在高分辨率遥感影像中无法直接获取高精度道路网信息的问题,该文提出一种新的混合的基于支持向量机的方法:首先,利用模糊C均值聚类方法将输入的遥感影像分为3类,以减少支持向量机的错分现象;其次,运用支持向量机将不同类别的像素分为道路类和非道路类;最后,应用马尔科夫随机场对分类结果进行噪声去除,并采用形态学进行后处理,进而得到精确道路网信息。实验结果表明:该算法不仅能够从高分辨率遥感影像中提取出道路网,而且精度优于直接使用支持向量机算法以及对比算法。     

EIV模型参数求解的超球体单行采样法

EIV模型实际上是一种非线性模型,其参数估值是有偏的。引入可以使参数解达到二阶精度的超球体单行采样法,通过特定的采样策略近似非线性函数的概率密度分布,无需计算非线性函数的Jacobi矩阵和Hessen矩阵。在一定程度上降低了求非线性函数达到二阶精度的参数解的难度。通过算例表明,该方法可以得到比TLS迭代方法更为合理的结果,验证了本文方法的可行性和有效性。     

基于独立成分分析的高光谱图像降维及分割

高光谱图像的高维数给图像的进一步处理带来了困难,为了解决这一问题,本文提出了一种基于独立成分分析的高光谱图像降维分割方法。首先,利用波段子空间划分和标准差对高光谱图像预处理,选择部分波段的高光谱图像作为实验对象;然后利用基于负熵的快速不动点算法对实验数据解混,再根据平均绝对权重系数对波段排序并选取;最后使用模糊C均值聚类算法对降维后的图像进行分割。实验结果表明,该方法能够有效实现高光谱图像降维,并获得较好的分割结果。     

普朗斑岩型铜矿床成矿元素多重分形特征及其矿化强度指示

成矿元素品位的变化受控于长期地质作用过程,具有较强的非线性特征,定量刻画其变化特征有助于深入理解成矿过程,并为找矿预测提供理论依据。运用多重分形去趋势移动均值（MFDMA） 法,分析云南普朗斑岩型铜矿床4号勘探线钻孔Cu元素品位的多重分形特征及其对矿化强度的指示意义。结果显示：所有钻孔Cu元素品位具有多重分形特征,且不同矿化等级的元素分布存在局部奇异性差异,多重分形强度随矿化强度等级减弱而增加;这些特征指示在钾硅化带—带内侧强矿化钻孔的高品位相对聚集,而带外侧角岩化—青磐岩化带的高品位相对分散;通过数据随机重排技术推测Cu品位多重分形结构奇异性差异是由其分布概率密度和长相关性共同作用引起,后者的作用贡献大于前者。     

机器学习模型在滑坡易发性评价中的应用

机器学习在滑坡的易发性评价中面临两个难点,一是评价指标的客观量化,二是训练样本的选择。鉴于此,采用频率比法实现了评价指标的客观量化,利用k均值聚类算法实现了非滑坡样本数据的筛选。结果表明,以k均值聚类算法筛选非滑坡为前提,神经网络的训练精度由73%提升到了97%,支持向量机的训练精度由75%提升到了96%。基于GIS平台,将神经网络和支持向量机模型计算的全区易发性指数按自然断点法分为五个区域,分区图与历史灾害点的叠加分析统计结果显示,神经网络在全局范围内的评价结果优于支持向量机模型,全局精度分别为76%和74%。研究结果可为南江县的防灾减灾工作提供参考。