论遥感数字图像的模糊分类处理

重点讨论国外遥感数字图像分类处理研究中应用效果显著或应用前景广阔的一些模糊数学方法，并就模糊数学实际应用于遥感图像分类处理的原则性问题提出了一些见解，还就上述诸方法存在的问题提出了一些改进设想．     

植被高光谱遥感分类方法研究

结合具体的OMISI高光谱遥感数据,对各种常用植被高光谱遥感分类方法进行分类训练,通过比较分类性能,得到各种方法在植被高光谱分类中的若干应用规律和分类过程中选择最优分类方法的一些技巧。在此基础上,提出将传统分类方法与基于光谱特征匹配的分类方法相结合对高光谱图像进行分类的方法。     

解题中分类思想方法的应用

介绍分类思想在解题中的一些应用及其应注意的问题,探讨分类思想方法的掌握在提高学生素质中的作用     

基于粗糙集的边界分类算法

粗糙集作为数据挖掘工具,主要通过分类数据得到预测型知识,但分类规则过于严格,使得在挖掘带噪音的数据时,挖掘结果可能会损失一些有价值的规则.提出一种带不确定因子的信息系统及相应的分类方法,改进了传统粗糙集的分类方法.     

基于遗传算法的中文自动分类特征选择

在自动文本分类系统中,特征选择是有效降低文本向量维数的一种方法.在分析常用的一些特征选择的评价函数的基础上,提出了一种新的特征选择方法.在标准中文网页数据集上的分类实验表明,该方法提高了文本分类的准确率.     

中文文本分类器的评价

对目前比较流行的4种中文文本分类器(Rocchio、KNN、NaiveBayes、最大熵)进行评价,其中,NaiveBayes和最大熵是基于概率统计的方法,而Rocchio和KNN是基于向量的相似度计算的方法。选用χ2作为文本特征选取方法,对一个中文文本分类语料库进行分类评测。实验结果表明,最大熵和NaiveBayes的分类性能十分接近,处于较好水平,而KNN和Rocchio分类性能稍差一些。     

中文文本分类技术比较研究

文本分类中特征选择、权重计算及分类算法三个阶段中都存在一些经典方法,在实际的中文文本分类任务中,如何从各阶段不同方法的组合中找到一个好的组合成为值得研究的问题。比较研究中文文本分类中各阶段经典方法的不同组合对分类效果的影响结果表明:采用CHI特征选择方法、TFIDF权重计算方法及SVM分类方法的组合为最佳组合。     

文本分类中特征降维方式的研究

首先介绍了几种常见的特征选择和特征抽取方法,并结合K-近邻分类算法对4种特征选择方法进行了分类测试,同时通过测试分析,提出了一些改进的、可行的互信息评价函数.     

中文文本分类器的评价

对目前比较流行的4种中文文本分类器(Rocchio、KNN、Naive Bayes、最大熵)进行评价,其中,Naive Bayes和最大熵是基于概率统计的方法,而Rocchio和KNN是基于向量的相似度计算的方法.选用χ2作为文本特征选取方法,对一个中文文本分类语料库进行分类评测.实验结果表明,最大熵和Naive Bayes的分类性能十分接近,处于较好水平,而KNN和Rocchio分类性能稍差一些.     

中文文本分类器的评价

对目前比较流行的4种中文文本分类器(Rocchio、KNN、Naive Bayes、最大熵)进行评价,其中,Naive Bayes和最大熵是基于概率统计的方法,而Rocchio和KNN是基于向量的相似度计算的方法.选用χ2作为文本特征选取方法,对一个中文文本分类语料库进行分类评测.实验结果表明,最大熵和Naive Bayes的分类性能十分接近,处于较好水平,而KNN和Rocchio分类性能稍差一些.     

基于联合学习的少样本多类别情感分类方法

对于多类别的细粒度情感分类任务,目前主流的少样本学习方法不能取得较好的性能。针对这一问题,提出一种基于联合学习的少样本多类别情感分类方法。采用基于替换词检测任务的少样本学习方式,将回归和分类的替换词检测模板以及标签描述词同时添加至输入语句,从而将细粒度情感分类任务同时建模为分类问题和回归问题。在此基础上,设计了不同的融合方法进行联合学习。实验结果表明,与主流少样本学习方法相比,该方法在F1-Score和正确率上都取得更优的结果。     

森林立地分类研究评介

<正>本文对各具特色的森林立地分类途径,即非生物环境因子、植被和综合多因子(生态系统)途径的主要方法作了详细介绍和评价。在非生物环境因子途径中,分别讨论了气候、土壤和地形在森林立地分类中的作用,并对生活因子组合法、主导环境因子方法和土壤-立地研究方法作了重点评述;在植被途径中,阐述了植被在立地分类中的重要性和局限性,着重讨论了地位级与地位指数方法,美国西部的生境类型分类方法及苏卡乔夫的林型学说;在综合多因子途径中,论述了生态系统各组分在划分森林立地类型时的有效性和合理性,详细评述了巴登—符腾堡方法及其在美国发展形成的生态学立地分类方法和波格来勃涅克的林型学说。对我国曾采用的各种森林立地分类方法以及所取得的研究成果也结合在以上评述中作了详细介绍。通过以上各学派分类方法的比较,展望了未来森林立地分类研究的发展动态,并提出了目前急待解决的几个问题及其对策。     

利用国产CBERS卫星影像进行矿业城市土地覆盖分类

中巴地球资源卫星(CBERS)作为目前最主要的国产资源卫星,在土地覆盖监测中具有广泛的应用前景。结合土地覆盖遥感分类新技术的发展和应用,以典型煤矿城市为例,对CBERS遥感影像应用于矿业城市土地覆盖分类的若干新方法进行了试验与分析。在这些新方法中,面向对象分类方法克服了传统基于像素分类中存在的问题,支持向量机在分类精度方面比传统分类器具有一定的优势,混合像元分解方法则实现了亚像元级地物成分比例的估算。这些新方法的有效应用将促进国产卫星数据源在典型区域的应用,同时服务于遥感专题应用信息处理精度的改进和提高。     

衰落信道中等增益分集用于调制分类

针对在Rayleigh和Rician慢衰落信道下的QAM信号的调制分类问题,提出一种新的基于等增益分集的调制分类算法。给出等增益分集用于调制分类的模型,对合并器输出信号的归一化四阶累积量进行估计作为分类特征,并推导了用于判决的等增益合并器输出信号的四阶累积量理论值。计算复杂度仅为N阶(N为样本个数),数值仿真实验结果以及与已有方法的比较证明了理论分析的正确性和算法的实用性。     

网络化制造环境下的资源分类方法研究

在网络化制造模式下，分析制造资源分类的必要性，论述分类的视角，在此基础上，提出制造资源分类的4种方式。同时阐述了对分类后的资源属性管理。     

SCORM学习资源的语义相似度度量

在支持SCORM 1.2的基础上 ,对SCORM 1.2学习资源间的联系描述进行充分的挖掘 ,给出了资源实体和资源本体的形式化定义 ,对资源实体、资源本体间的关系类型进行了划分 ,给出了 3种学习资源语义相似度度量的方法 ,并说明了语义相似度度量在导航中的一个应用     

基于句式元学习的 Twitter 分类

针对多类别的社交媒体短文本分类准确率较低问题, 提出一种学习多种句式的元学习方法, 用于改善Twitter文本分类性能。将Twitter文本聚类为多种句式, 各句式结合原类标签, 成为多样化的新类别, 从而原分类问题转化为较多类别的few-shot学习问题, 并通过训练深层网络来学习句式原型编码。用多个三分类Twitter数据来检验所提Meta-CNN方法 , 结果显示, 该方法的学习策略简单有效, 即便在样本数量不多的情况下, 与传统机器学习分类器和部分深度学习分类方法相比, Meta-CNN仍能获得较好的分类准确率和较高的F1值。     

基于多目标进化封装的特征选择在人脸识别中的应用

为了在实施分类工作时将不相关的、多余的、具有噪声的特征从问题表示中去除,以降低复杂度并得到可接受的性能,提出了一种基于多目标进化封装的特征选择方法。首先利用染色体选择的特征重新参数化人脸图像从而获得主动形变模型特征集;然后通过多目标遗产算法进行特征选择,在最小化特征子集基数的同时最大化判别容量;最后结合提出的综合适应度函数及k-近邻分类器完成人脸的识别。在Essex人脸数据库上的实验验证了所提方法的有效性,实验结果表明,相比其它几种较为先进的方法,所提方法不仅降低了表示的维度,同时提高了分类性能。     

高维基因表达数据集分类规则组的确定

目前基因表达数据分析的大多数算法都是探索性的选择基因来生成识别类（例如癌细胞组织与正常细胞组织）的规则组,对此本文提出了一种对基因表达数据集进行分类的稳健算法,确保可以找到最优的k个基因生成分类的规则组,并且通过试验表明由此算法得出的规则组比其他分类方法更准确．     

基于SGNN的彩色图像分类

将神经网络用于遥感图像分类处理取得了一些成果,但已有的方法存在计算量大、需要用户设置网络结构和较多参数等缺点.SGNN(Self-Generating Neural Network)是一类自组织神经网络,它不需要用户指定网络结构和学习参数,而且不需要迭代学习,是一类特点突出的神经网络.基于SGNN进行彩色图像分类,实验结果表明,该方法用于彩色图像的分类是可行的.