岩质高边坡稳定性支持向量机预测方法研究

提出一种基于支持向量机的岩质边坡稳定性预测方法。该方法地很好的表达了岩质边坡稳定性与其影响因素之间的非线性映射关系,并应用该方法建立了相应的模型。预测结果表明,利用该方法进行岩质边坡稳定性预测是可行的、有效的。     

采用非正定OCSVM 的高光谱影像地物检测

高斯径向基核函数是基于光谱向量间欧氏距离的度量,对于因光照强度变化而引起的地物光谱变异敏感,当同类地物光谱发生变异时,基于高斯径向基核的高光谱影像地物检测算法的性能下降.为了解决该问题,基于光谱曲线形状相似性描述提出了光谱角度余弦核测度这一非正定核函数,并应用于一种非正定OCSVM 方法的高光谱影像地物检测.最后利用两幅高光谱影像进行了实验分析,实验结果证明了本文算法的有效性.     

SVM方法在武汉区域夏季暴雨预报业务中的应用

以2003～2006年ECMWF数值预报产品、Japan和T213降水预报场资料为基础,应用支持向量机（SVM）方法和CMSVM应用软件平台,通过对训练样本进行交叉验证和模型核参数的逐渐逼近,分区建立了武汉区域16,个区SVM24h暴雨预报模型,并在武汉区域5～7月进行实时业务应用。通过预报结果检验,5～7月武汉区域暴雨预报TS评分为33．59％,其中湖北省平均成绩为34．69％、湖南省平均成绩为34．15％、河南省平均成绩为31．71％。检验结果较好,表明SVM方法在区域性暴雨预报中具有一定的预报能力和参考价值。     

基于支持向量机的雷暴潜势预报初探

根据2008—2010年夏季邵阳地区的NCEP全球再分析资料(分辨率为1°×1°)和闪电定位资料,利用支持向量机(SVM)分类方法建立该地区雷暴潜势预报模型,并用测试样本检验了该模型的预报能力,同时与Logistic回归模型和Bayes判别法的预报效果进行了比较。结果表明,SVM模型的预报准确率为86.21%,虚警率为15.25%,漏报率为13.79%。对比三种模型的TSS技术评分,发现使用SVM方法建立的模型对邵阳地区雷暴预报的效果最好,评分值为0.79。因此,SVM方法所建立的模型可以为邵阳地区6 h的雷暴潜势预报提供一定的参考价值。     

利用SVM与ARIMA组合模型进行大坝变形预测

由于大坝位移时间序列数据受各种复杂因素的影响,具有非平稳和非线性等特征,因此,利用传统、单一的时间序列预测模型较难准确地描述大坝位移变形的复杂规律.综合考虑大坝位移时间序列非线性和线性特征,本文提出了一种SVM和ARIMA相结合的时间序列预测模型.将大坝变形的时间序列分为非线性部分和线性部分.针对非线性部分,利用SVM...     

基于多纹理和支持向量机的ZY-102C星HR数据分类

基于国产资源一号02C星高分辨率(high resolution,HR)影像,提取了基于变差函数、灰度共生矩阵和梯度的多纹理特征,结合光谱信息构建了基于支持向量机(support vector machine,SVM)的多源信息复合模型的图像分类方法,并与传统最大似然法和决策树法的分类结果进行了比较。研究表明,变差函数纹理和梯度纹理参与的多源复合数据有效提高了图像的分类精度,总分类精度由85.14%提高到87.43%,Kappa系数由0.82提高到0.85;绝对值变差函数为纹理最佳窗口分析提供了理论依据,基于累积步长提取的纹理特征能显著提升图像分类的精度,分类准确率提高了13.94%,Kappa系数增加了0.17;基于多源复合数据的SVM高空间分辨率遥感图像分类方法能有效解决传统图像分类结果破碎的问题,比最大似然方法和决策树法的分类精度显著提高,总精度达到89.14%,Kappa系数为0.87,分别提高了6.85%和10.84%。实验表明,ZY-102C星HR数据在冬小麦信息提取中具有一定的稳定性和优势。     

AdaTree算法在遥感影像分类中的应用

为了进一步提高遥感图像分类的精度,提出了一种基于Log-Gabor小波和Krawtchouk矩的遥感图像分类算法。首先利用Log-Gabor小波对遥感图像进行多方向、多分辨率滤波,提取遥感图像的纹理特征;同时计算遥感图像的Krawtchouk矩不变量,作为遥感图像的边缘形状特征,并与基于Log-Gabor小波提取的纹理特征构成完整的特征向量;最后依据所提取的特征向量利用支持向量机(support vector machine,SVM)分类器对待分类图像进行分类,得到最终的遥感图像分类结果。实验结果表明,与近年来提出的基于Gabor小波、基于Log-Gabor小波、基于Krawtchouk矩等3种遥感图像分类算法相比,本文算法在主观视觉效果和分类精度等客观定量评价指标上都有了明显的改善,是一种行之有效的遥感图像分类算法。     

基于EC细网格产品在乌鲁木齐机场低能见度预测中的释用

利用2015—2018年乌鲁木齐机场航空例行天气报告(METAR报)、ECMWF(European Centre for Medium-Range Weather Forecasting)细网格数值预报产品对影响能见度的主要因子进行分析,提取与低能见度相关性高的物理量作为预报因子,采用SVM方法,分别基于Poly、RBF核函数建立乌鲁木齐机场未来21 h能见度预报模型。结果表明:(1)基于预报因子区间分类的SVM模型物理意义明确,试验结果较好;以RBF为函数建立的SVM模型(SVM-RBF)预报能力更好,其训练样本预测的TS评分0.84,准确率89.20%。(2)SVM-RBF模型的检验样本中,预报准确样本的预报误差整体偏小;在漏报样本中则有能见度越低、预报误差越大的特点,模型的振荡性明显。(3)结合NCEP/NCAR再分析资料研究SVM-RBF模型对天气过程的预报表现,发现模型对于特定天气形势下引发的低能见度天气,预报误差较小且预报提前量较大。     

基于SVM测井数据的火山岩岩性识别——以辽河盆地东部坳陷为例

辽河盆地东部坳陷储集层由火山多期喷发形成,岩相岩性复杂,岩性以中、基性火山岩为主.本文将火山岩的岩心及岩矿鉴定资料与测井数据进行整合,应用测井数据建立支持向量机(SVM)两分类和多分类岩性识别模式.首先,深入研究支持向量机二分类及"一对一"、"一对多"和有向无环图三种经典多分类算法的基本原理及结构;然后,总结研究区域火山岩岩石特征,分析测井数据的测井响应组合特征,选择40口井中岩心分析和薄片鉴定资料完整、常规五种测井曲线(RLLD,CNL,DEN,AC,GR)齐全的1200个测井数据作为训练样本,构造三种支持向量机岩性识别模式;最后,对4测试井中800个测井数据进行岩性识别,识别结果与取心段岩心描述和岩心/岩屑薄片鉴定资料对比,实验结果表明有向无环图更适合辽河盆地火山岩的识别,识别正确率达到82.3%.     

支持向量机的车载雷达点云目标识别

为了进一步研究移动测量系统的数据处理问题,该文根据点云的基本特征,归纳了由7个特征构成的点云原始特征向量,在此基础上,结合语义环境构建了由17个特征构成的点云扩展特征向量,并采用支持向量机模型对车载LiDAR点云进行行道树点云识别的一系列实验。实验中采用粒子群优化算法和遗传算法对支持向量机进行参数寻优;采用不同特征向量和不同数目样本对点云进行学习和目标识别;分析了特征向量的学习曲线和识别精度。实验结果表明,支持向量机模型能够在行道树点云识别中取得较高的精度。