基于SVM的海底声纳图像底质识别*

对海底底质声纳图像分割,提取单元特征向量进行主成份分析,选取均值、标准差、对比度、相关系数、能量及同质性作为训练特征向量,优化支持向量机(SVM)参数.利用多分类 SVM 对砂、礁石、泥进行训练,有效、快速地分离出了3种底质类型,测试精度高于80%,表明该方法可有效用于海底底质声纳图像的识别和分类.     

支持向量机方法在地震短期预测中的应用

支持向量机方法是基于统计学习理论提出的一种机器学习方法,在处理小样本、非线性问题方面有着很强的优势。而地震的孕育发生过程是一个复杂的非线性动力学系统,地震数据时间序列的变化更呈现非线性、不规则等特征。本文系统地分析了天津及其周边地区多种前兆现象,选取反映2至3个月短期情况的前兆测项,使用支持向量机分类方法建立地震综合预测模型,初步结果表明这种方法在地震短期预测中有一定的应用前景。     

改进的支持向量机方法在矿山地质环境质量评价中的应用

传统支持向量机（SVM）评价模型中网格搜索法对参数的选择受到主观因素的影响,选用粒子群算法对SVM模型进行优化,并应用改进的SVM模型（PSO-SVM）对长吉图经济区135个矿山进行地质环境质量评价。PSO-SVM模型的评价结果与综合评价结果的相同率（注：该相同率是指两个评价结果相同的个数占所有评价样本数的百分比）达到95.56%,与SVM模型评价结果的相同率达到91.11%。结合研究区实际情况并分析三种评价结果得出,PSO-SVM模型的评价结果更符合实际情况。改进的支持向量机方法能够避免人为因素影响,提高矿山地质环境评价水平,在评价中具有可行性和有效性。基于改进的支持向量机方法评价结果表明,研究区矿山地质环境受矿山开采等人为活动的影响,54.1%的矿山遭受严重破坏（III级）,25.9%为中度破坏（II级）。评价结果可为研究区矿山环境恢复治理提供决策支持。     

基于波段子集的独立分量分析的特征提取的高光谱遥感影像分类

针对高光谱影像数据具有波段众多、数据量较大的特点,本文提出了一种基于波段子集的独立分量分析(ICA)特征提取的高光谱遥感影像分类的新方法。以北京昌平小汤山地区的高光谱影像为例,根据高光谱遥感影像的相邻波段的相关性进行子空间划分,在各个波段子集上采用ICA算法进行特征提取,将各个子空间提取的特征合并组成特征向量,采用支持向量机(SVM)分类器进行分类。结果表明:该方法分类精度最佳(分类精度89.04%,Kappa系数0.8605,明显优于其它特征提取方法的SVM分类,有效地提高了高光谱数据的分类精度。     

A rule-based parameter aided with object-based classification approach for extraction of building and roads from WorldView-2 images

Roads and buildings constitute a significant proportion of urban areas. Considerable amount of research has been done on the road and building extraction from remotely sensed imagery. However, a few of them have been concentrating on using only spectral information. This study presents a comparison between three object-based models for urban features’ classification, specifically roads and buildings, from WorldView-2 satellite imagery. The three applied algorithms are support vector machines (SVMs), nearest neighbour (NN) and proposed rule-based system. The results indicated that the proposed rules in this study, despite the spectral complexity of land cover types, performed a satisfactory output with an overall accuracy of 92.92%. The advantages offered by the proposed rules were not provided by other two applied algorithms and it revealed the highest accuracy compared to SVM and NN. The overall accuracy for SVM was 76.76%, which is almost similar to the result achieved by NN (77.3%).     

基于LiDAR和航空影像的地震灾害倒塌建筑物信息提取

地震灾害损失评估是震后展开救灾工作的重要环节.快速、准确地获取震后损毁建筑物信息能够为灾区减灾、救灾工作提供有效的支持.高分辨率航空遥感是灾害监测的重要技术手段,但其信息自动提取的精度受到一定的限制.近年来新出现的LiDAR技术能够提供地面目标的高程信息,可应用于复杂环境下倒塌建筑物信息的提取.研究中采用航空遥感数据和...     

变形曲线的SVM分类及在变形等级划分中的应用

变形等级的划分对信息化施工和及时采取相应针对性防治措施以及地震形变在线式分析和预警系统的研究中具有重要的理论与实践意义.本文提出以曲线的曲率和二阶导数来描述变形曲线的特征,并作为SVM输入量对变形进行自动多类分类.     

基于遗传算法-支持向量机模型在热带气旋强度预报中的应用

利用遗传算法对支持向量机(SVM)模型参数进行寻优,找到最优参数组合后代入SVM模型中,得到基于遗传算法的支持向量机模型(GA-SVM),利用此模型对热带气旋强度进行预报实验。该模型对热带气旋强度12 h、24 h和48 h的预报平均绝对误差分别为3.01 m/s、4.46 m/s和6.57 m/s;比最小二乘回归法的预报精度分别提高了12%、11%、14%。     

基于纹理特征和机器学习的卫星云图分类实验

准确识别云对提升天气预报和气候预测准确性有着重要意义,传统的阈值法和聚类法很难找出统一通用的阈值标准和方法,随着机器学习在云分类领域的应用和发展,在分类速度和分类精度上都有了明显提升。本实验对风云二号G星的红外云图进行预处理并构建卫星云图样本库,通过提取云图纹理特征再结合支持向量机（SVM）、随机森林（RF）和XGBoost分类器实现了对“晴空”、“层积云或高积云”、“积雨云”、“密层云”和“卷层云”的分类,实验结果表明：①三种分类器对该实验云分类的平均准确率分别为RF（62.5%）＞XGBoost（61.7%）＞SVM（60.0%）;②三种分类器对“层积云或高积云”的分类都最好且稳定,平均分类精度均达到了90%以上,最高为91.5%;③SVM对密层云（67.9%）、RF对卷层云（68.9%）、XGboost对晴空（68.3%）的分类效果次之,平均分类精度均达67%以上。     

基于不同窗口纹理特征的SVM土壤盐渍化信息提取方法与精度分析研究

以塔里木盆地北缘绿洲--渭干河-库车河三角洲绿洲为例,借助ENVI遥感软件,利用ETM+数据,探讨了该绿洲土壤盐渍化信息提取的方法.传统的遥感图像分类方法多数在解决问题上存在精度不高、分类效率较低、不确定性强的缺陷,所以,选择好的分类方法对于提取盐渍化信息是至关重要的.近年来,将SVM应用于遥感图像分类已成为新的发展趋势.文章提出了基于纹理特征的支持向量机(Support Vector Machine,SVM)的分类方法,得出以下结论:分别结合3×3,5×5,7×7,9×9,11×11,13×13窗口纹理特征和光谱的SVM分类精度都很高,达到93%以上.并且在验证分类精度时,发现结合光谱和9×9窗口纹理信息的SVM分类的结果更符合实际情况.所以说加入纹理特征后使得光谱信息比较接近的3类地物(重度、中度、轻度盐渍地)的区分性增大,从而使精度提高.因此,基于纹理特征的SVM分类方法更有利于遥感图像分类和盐渍化信息监测,是地物遥感信息提取的有效途径.