DEM地形表面B样条小波多尺度建模

将非均匀B样条曲面拟合和准均匀B样条小波多尺度分解合理地结合起来,实现了DEM地形表面的多分辨率快速自动建模.实验结果表明,其形状造型效果逼真,分辨率明显,是一种高效实用的建模方法.     

在MapInfo中实现数字化地图"非监督分类"

利用MapBasic语言,引入遥感图象处理中"非监督分类"的概念,在MapInfo平台下将同一图层中的不同要素按照他们的颜色、线宽等特征信息进行分类提取,然后进行批量编辑.实现了数字化地形图中的"非监督分类",为实现大量的数据更新提供了简单、快速、智能的解决方案.提高了生产效率,在实际生产中得到了检验.     

PTES专家系统知识库的构造

本文大专家系统设计方法的指导下，通过对整理、知识表示、知示获取、知识库构造等环节的描述，介绍了一个植物分类专家系统知识库的构造方法     

物理常数的分类

本文给出了一种划分物理常数的标准,据此将物理常数分为一般物理常数和基本物理常数,又着重把基本物理常数分成3个主要类型,然后讨论了本分类系统的基本特征.     

基于带RBF核的SVM模型对红酒品质的精准分类

针对红酒品质的“精准分类”和影响红酒品质的重要指标问题,综合带RBF(径向基函数)核的SVM(支持向量机)模型、递归特征删除、深层次回归分析及单因素方差分析等方法,构建支持向量机模型和作用效力挖掘模型,使用R和SPSS进行编程求解.研究结果表明:该模型的精确率高达74.01%,且其误差绝对值最大不超过3,并找出影响程度排名前三的分别为:酒精、密度、挥发性酸含量,影响程度分别为43%,20%和13%.并通过改变SVM模型函数的gamma参数数值以提高SVM模型准确率,再对模型精确率和不同误差值的数据数量进行赋权,构造线性择优模型,得分最高所对应的参数值即为最佳参数值,以此对SVM模型进行改进.     

基于t-LeNet与时间序列分类的窃电行为检测

窃电行为是导致电力企业电能与经济效益损失的重要原因.提出了一种基于t-LeNet(Time-Series Specific Version of LeNet Model)与时间序列分类(Time Series Classification, TSC)的窃电行为检测方法:首先,获取用户用电量时序数据,使用降采样方法生成训练集;然后,使用t-LeNet神经网络训练并预测得到分类结果,判断用户是否存在窃电行为.使用国家电网真实用户的用电量数据集进行了实验验证.实验结果表明,所提方法相较于基于Time-CNN(Time Convolutional Neural Network)、MLP(Muti-Layer Perception)的时间序列分类方法,在综合评价指标、精确率、召回率指标上均有不同程度提高,其对窃电行为的检测具有可行性与有效性.     

南黄海辐射沙洲海底地形可视化与定量分析

南黄海辐射沙洲海底地形复杂多变,精细的数字地形模型、不同地形单元的立体可视模型及其定量统计值是进行海洋科学研究、海洋功能区与海域开发利用的基础.利用在辐射沙洲北翼进行的单波束测深获取的水深资料,根据残差分析,选择研究区现有水深数据最佳插值法——克里金法,生成海底地形的数字高程模型.运用水深分层设色法立体可视地表征了辐射沙洲的四种地形单元:浅滩、沙脊、潮流槽和宽谷.根据地形倾角可以定量地分析脊、槽等地形单元的坡形变化,整个沙洲以水平-微倾斜地形(倾角<5°)为主,占总面积的60%,分布在宽谷、沙脊顶部和潮流槽中部等.地形剖面曲率分层设色可以更细致地刻画脊、槽相间地形单元的微地貌,并可定量分析不同地形单元的面积及所占比例.地形平面曲率和切线曲率可以指示不同地形单元的海洋动力特征,即:负值区水深较小、流场较强;正值区水深较大、流场较弱.     

基于DEM数据的澜沧江-湄公河流域地形起伏度研究

 澜沧江-湄公河是世界第六大河,流域地形地貌复杂,景观类型多样.作者运用GIS的空间分析和数理统计等方法,基于STRM 90 m×90 m DEM,提取了基于栅格尺度的澜沧江-湄公河流域地形起伏度,并从整体特征、垂直地带性和纬向分布规律3个方面系统分析了澜沧江-湄公河流域地形起伏度的分布规律.研究表明:①澜沧江-湄公河流域地形起伏度以低值为主,63.47%的区域地形起伏度低于1个基准山体(相对高差≤500 m),地形起伏度越高的地区,平地比例越低,反之亦然;②随着海拔高度增加,澜沧江-湄公河流域地形起伏度呈现逐渐升高趋势,在海拔3 500~3 599 m和5 800~5 899 m存在2个峰值,所在区域均位于横断山脉地区;③随着纬度的增高,澜沧江-湄公河流域地形起伏度呈逐渐升高趋势,同时存在5个峰值,纬度由南向北、由低到高分别是12°N、16°N、19°N、25°N和29°N,所处地区分别是柬埔寨的豆蔻山脉、老挝境内的安南山脉南部的丘陵地区、安南山脉中北部、澜沧江中段和南段交汇处、西藏东南角的横断山脉地区.     

基于神经网络逐级分类建模的北京地区能见度预报

在研究了北京市近10年来城市能见度变化特征及低能见度发生的主要影响因素的基础上,利用北京市气象站观测资料筛选出主要的预报因子,使用学习向量量化算法对样本进行分类,再利用列文夸特算法逐级建立预报模型,并进行预报试验.结果表明神经网络逐级分类模型具有良好的预报能力,其关键在于模型的识别分类能力,试验得到分类准确率达到87.0%,采用列文夸特优化算法的逐级分类模型较统计回归预报残差平方和下降了57.1%;低能见度、中等能见度、高能见度预报准确率分别为60.0%,68.2%,79.3%,均高于统计回归预报方法(12.5%,41.7%,52.4%).     

图像分类中多流形上的词典学习

传统的基于稀疏编码的图像分类算法没有考虑不同特征之间的关系。针对这一不足,该文提出了一种新的词典学习算法。该算法考虑特征所处的多个流形空间上的拓扑结构,并显式地对其进行建模,然后将该模型嵌入到稀疏编码算法中构造多流形上的词典优化目标函数。为求解该优化问题,还提出了使用坐标下降的方法,同时给出了收敛性分析。在图像分类3个基准数据集上的实验结果表明,提出的算法分类性能超过了基于传统稀疏编码的算法。这也进一步证明了该算法的有效性。