基于随机森林算法的城区土地覆盖分类研究

随机森林算法是一种高度灵活且易于使用的机器学习算法,目前在遥感影像分类中应用广泛。为了验证其在城市土地覆盖分类中的效果,本文对河南省洛阳市局部城区进行了土地覆盖分类实验,将Landsat 8(OLI)遥感影像的光谱波段、光谱指数和纹理特征相结合,构成多种特征组合进行随机森林算法分类比较,选择分类效果最佳方案,并与支持向量机方法进行比较。后利用随机森林算法对该组合特征变量高维数据进行降维处理,得到优化特征方案。实验结果表明:采用多源特征组合的随机森林算法的土地利用分类效果最佳,总体精度为90.54%,Kappa系数为0.890,比支持向量机方法的分类精度提高了3.1%;降维处理后的特征方案与随机森林结合在保证分类结果拥有高准确度的同时,减少了运算时间,实现了土地覆被类型信息的高效获取。表明随机森林算法在城区土地覆盖分类上有很好的适用性与稳定性。     

基于改进蚁群算法与遗传算法组合的网络入侵检测

为提高网络入侵检测的检测效果,提出一种基于改进蚁群算法与遗传算法组合的网络入侵检测方法.该方法采用遗传算法(genetic algorithm,GA)对网络入侵的特征集进行快速选取,为后续特征提取打下基础;对传统蚁群算法(ant colony optimization,ACO)的节点选择策略和信息素更新策略进行改进,提出一种改进的蚁群算法,提高对最优特征的选择效果,采用改进的蚁群算法对特征进一步选择;采用支持向量机(support vector machine,SVM)统计机器学习方法建立各类网络入侵的检测分类器.仿真实验结果表明,新的网络入侵检测方法综合GA和改进蚁群算法的优势,能够获得更好的入侵特征,从检测正确率、误报率和漏报率3个方面综合比较,新的网络入侵检测方法具有更好的网络入侵检测效果,且提高了检测速率.     

基于改进蚁群算法的高精度文本特征选择方法

为了反映特征子集对分类结果的整体影响,去除噪声特征项,提出了一种基于改进蚁群算法的高精度文本特征选择方法。建立了特征选择数学模型,实现了特征选择过程与分类器分类过程间的直接关联;设计了特征优选与特征精选相结合的模型求解方案,降低了模型求解过程中的计算复杂度;提出了基于等效路径增强和局部搜索更新相结合的改进蚁群算法,提高了解的质量和稳定性。实验结果表明,与现有文本特征选择方法相比,该方法能大幅提升分类精度。     

随机森林在高光谱遥感数据中降维与分类的应用

高光谱数据的特征数目庞大,而且波段之间存在冗余信息,对高光谱数据进行分类的成本较高,因此需要提取合适的特征达到提高效率的目的.随机森林作为一种热门算法,广泛应用于各种分类、特征选择等问题中,均取得了良好的效果.本文选择北京小汤山农业试验区的OMIS高光谱影像作为研究数据,利用随机森林算法计算每个特征的重要性指标并对其排序,针对面向精度和效率的特征选择策略,使用RF-RFE波段选择方法去除价值低的特征分别得到最佳波段组合,实现高光谱数据降维,进行随机森林、支持向量机分类.实验结果表明随机森林分类精度为72.82%,SVM分类精度为65.21%,随机森林分类器优于SVM,是一种较好的高光谱数据分类器.     

基于深度极限学习机的高光谱遥感影像分类研究

高光谱遥感数据越来越普及并为人们广泛使用,基于高光谱遥感数据的地面物体精确分类是高光谱遥感技术的核心应用之一.针对高光谱遥感影像的分类问题,提出一种基于深度极限学习机(D-ELM)的分类方法.该方法利用一种新的深度学习模型——深度极限学习机对高光谱遥感影像进行分类,并与基于极限学习机(ELM)、支持向量机(SVM)、核极限学习机(ELMK)分类方法进行了比较分析.研究结果表明:相对于ELM、SVM、ELMK分类方法,D-ELM分类方法能够更加准确地挖掘高光谱遥感影像的空间分布规律,提高分类的准确度.     

高光谱图像半监督局部稀疏嵌入降维算法

针对目前高光谱图像半监督降维算法中基于流形学习的开放性选择近邻参数问题,以及利用传统算法不能有效地获取标签数据的局部信息,提出了一种无需考虑近邻参数的半监督局部稀疏嵌入（SELSE）算法.该算法基于稀疏表示理论,通过求解范数优化问题构建稀疏系数图,并且利用有限的标签数据最大化类间信息,提取高光谱图像的特征.在AVIRIS高光谱遥感图像的Indian Pine数据集上进行仿真实验,结果表明所提出算法在分类精度和计算效率上都有所提高.     

基于稀疏图正则矩阵判别分析的高光谱图像分类

光谱和空间信息的联合使用是高光谱图像分类领域的研究热点之一.本文在已有的矩阵判别分析(MDA)模型的基础上,提出了一种基于稀疏图正则的改进模型.在有效融合高光谱图像光谱-空间信息的同时,能充分挖掘无标签样本的信息,从而提升了模型的分类性能.为了验证本文算法的有效性,在两个高光谱数据集上,与多种方法进行了对比.实验结果表明,本文提出的算法优于其他同类算法.     

一种改进的多光谱遥感图像超像素分割算法

针对简单线性迭代聚类算法在多光谱遥感图像超像素分割中存在的未充分利用图像特征信息及超像素尺寸、 数量固定导致分割精度较低的问题, 提出将流形 简单线性迭代聚类算法引入到遥感图像超像素分割任务中, 并对其进行改进. 首先, 给出一种基于彩色局部二进制模式改进的多光谱遥感图像纹理特征提取方法; 其次, 扩展流形 简单线性迭代聚类算法的光谱空间, 使算法可以适应高维图像数据; 最后, 改进流形 简单线性迭代聚类算法的聚类距离度量, 融合图像的多段光谱特征、 空间特征及纹理特征对像素进行迭代聚类, 实现内容敏感超像素分割. 实验结果表明, 与现有方法相比, 该算法对多光谱遥感图像的超像素分割结果更准确, 在边缘召回率、 欠分割误差、 可达细分精度指标上均有提升, 能改善多光谱遥感图像分割预处理方法中精度较低的问题.     

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。     

基于改进蚁群算法的Web服务选择

提出一种改进的蚁群算法并将其应用于Web服务选择问题中.该算法使用非线性动态变化的伪随机比例选择参数及蚂蚁多重最优解随机加权路由选择算法控制蚁群的行为,使用5维Web服务质量向量和蚁群适应度函数评价蚂蚁构造的路径质量,蚂蚁根据其构造的路径质量进行信息素更新;该算法使蚁群在其解空间的进化能力得到很大的提高.实验证明,该算法在Web服务选择问题上比传统的蚁群算法效率更高.     

量子化信息素蚁群优化特征选择算法

蚁群优化算法凭借其正反馈机制和强大的搜索能力被广泛地应用于各类优化问题求解上.本文试图将蚁群优化算法应用于特征选择领域并提出了新的量子化信息素蚁群优化(quantized pheromone ant colony optimization, QPACO)特征选择算法.相比于其他基于蚁群优化算法的特征选择算法,QPACO算法中采用了量子化信息素的启发式策略,改变了传统的信息素更新策略,因此避免了在搜索特征时的局部最优问题.实验采用了KNN分类器来指导学习过程,利用源于UCI数据库的多组数据集进行了相关的测试,实验结果表明,QPACO算法在分类精度、精确率、召回率和维度缩减率等方面均具有良好的性能.     

基于AdaBoost的弱分类器选择和整合算法

针对传统AdaBoost算法在人脸检测中训练耗时和误检率高的问题,提出一种改进的AdaBoost算法.新算法在基于PSO的AdaBoost算法基础上对弱分类器的选择和整合两个阶段进行改进.弱分类器选择阶段,在使用PSO迭代选择最佳弱分类器之前,剔除部分无用特征,缩小粒子搜索空间;弱分类器整合阶段,在采用基于核函数的非线性感知器算法优化调节弱分类器参数的过程中使用一种新的与正样本分类能力有关的弱分类器初始参数.采用基于MIT数据库的实验结果表明,本文算法比基于PSO的AdaBoost算法在检测性能上有明显提高.     

基于烟花算法降维的高光谱图像分类

为降低高光谱数据量及计算复杂度,避免后续分类中的Hughes现象,提出一种基于烟花算法降维的高光谱图像分类方法.烟花算法采用类内紧密性系数与类间分离性系数的加权和作为波段选择的度量准则,通过在高光谱数据空间内进行搜索,不断更新直至收敛,从而获得最优波段组合.基于印第安纳数据集(AVIRIS)和帕维亚大学数据集(ROSIS)数据对烟花算法、遗传算法和禁忌搜索算法进行波段选择的仿真实验,结果表明:烟花算法选择出的波段组合数目相对较少,具有较低的算法复杂度,减少了耗时;利用获得的波段组合进行高光谱图像分类时,与遗传算法、禁忌搜索算法的波段选择方法相比,文中所提方法在总体分类精度和Kappa系数上分别提高0.06%~4.72%和0.00~0.09,可以得到令人满意的分类结果.     

基于光谱主次吸收谱带组合特征相似性测度的高光谱遥感矿物信息提取

吸收谱带组合特征是识别和区分具体矿物类型的重要参量。研究表明,地物单一光谱特征不稳定性无法全面反映地物光谱间的相似性,直接影响识别效果。提出一种基于矿物光谱的主次吸收谱带组合特征的相似性测度方法;该方法基于光谱主次吸收特征的最小二乘相似性拟合法,对光谱特征较稳定的主、次吸收特征参量赋以不同的权重系数,将图像光谱与标准光谱库中各个参考光谱分别在主吸收特征与次级吸收特征波段进行加权比较,从而得到识别结果。基于CAIS/SASI机载高光谱数据,IDL编程实现光谱主次吸收特征最小二乘相似性拟合算法对实验区的绢云母、绿泥石蚀变矿物信息提取,并与常规光谱角制图处理结果的比较分析,发现新算法能更细致地进行高光谱遥感地物信息提取,有较强的实用性。     

基于蚁群优化的分类规则挖掘方法

蚁群优化是人工智能领域中群体智能分支之一,已成功地应用于复杂优化问题的求解,但其在知识发现领域的应用还是一个新的研究课题。在此提出一种新的基于蚁群优化的分类规则挖掘方法,先利用蚁群算法通过对属性约简简化数据集,再使用蚁群算法进行分类规则的挖掘,并用新的规则剪枝方法,提高了分类算法的效率和准确率。实验表明该方法是有效的。     

基于光谱差异均衡区间筛选的高光谱目标检测

如何快速、准确地进行目标检测,是高光谱遥感图像在实际应用中面临的关键问题.波段选择是提高高光谱数据利用效率的途径之一,针对目前基于光谱匹配的高光谱目标检测算法数据利用率低,易受冗余信息干扰导致检测率不理想的问题.在构建光谱区间差异均衡化计算模型的基础上,提出差异均衡化的光谱子区间提取方法.使用实测高光谱遥感影像数据集对方法进行验证.结果表明,相比于采用全谱段数据以及其他波段选择方法的目标检测结果,所提出的方法在计算耗时、检测准确率方面均取得更理想的结果,可高效实现高光谱图像的目标检测.      

复杂背景下的遥感图像特征识别算法

摘要：针对复杂背景和可变光照下的静态彩色图像人脸检测,提出一种基于多目标优化和蚁群算法的遥感图像特征识别方法。首先将遥感图像特征选择转化成多目标优化问题,然后利用特征子集维数和识别率加权构造了目标函数,最后利用蚁群算法的全局寻优和正负反馈投机实现特征子集搜索,从而找到遥感图像中的最优特征子集,实现准确识别。仿真实验结果表明,算法能够很快的找到最优特征子集,消除无用和冗余特征,降低了特征维数,识别率高。     

基于集成迁移学习的细粒度图像分类算法

针对现有的大部分细粒度图像分类算法都忽略了局部定位和局部特征学习是相互关联的问题,提出了一种基于集成迁移学习的细粒度图像分类算法。该算法的分类网络由区域检测分类和多尺度特征组合组成。区域检测分类网络通过类别激活映射(class activation mapping,CAM)方法获得局部区域,以相互强化学习的方式,从定位的局部区域中学习图像的细微特征,组合各局部区域特征作为最终的特征表示进行分类。该细粒度图像分类网络在训练过程中结合提出的集成迁移学习方法,基于迁移学习,通过随机加权平均方法集成局部训练模型,从而获得更好的最终分类模型。使用该算法在数据集CUB-200-2011和Stanford Cars上进行实验,结果表明,与原有大部分算法对比,该算法具有更优的细粒度分类结果。     

基于支持向量机的高光谱遥感影像道路提取

为了从高光谱遥感影像中高精度提取各种线形道路,提出了基于支持向量机（SVM）的道路特征快速提取算法,首先利用PCA对高光谱影像进行合理压缩,由SVM模式识别理论推导出该算法具有快速精确提取道路网信息的能力,针对高光谱遥感影像高信息量和道路网复杂度高的特点,提出基于1Vm（一对多算法）的多种道路SVM一次性高精度提取的多分类策略,在提高精度的同时,兼顾了道路特征识别的效率。研究结果表明：SVM对线状道路模式判别能力比常规方法有更强的优势,对小样本的道路识别效果更加明显,从遥感影像中不仅能准确地辨别出道路的线形特征,还能识别出其材质和类型;该算法能同时识别出多种道路,执行效率更高。     

基于核主成分分析的三维模型分类算法

针对三维模型的分类问题,提出了一种基于核主成分分析(Kernel-Principal Components Analysis,K-PCA)的三维模型分类算法。该算法首先选择形状直径函数(Shape Diameter Function,SDF)作为特征描述符来提取三维模型的特征向量;然后使用核函数将原始特征向量映射到高维空间中并在该空间上进行PCA得到新的特征向量;最后使用KNN算法并计算未知模型与已知类别的k个模型之间的l2范数以实现模型的分类,确定未知模型的类别。实验结果表明,该算法能够很好的识别三维模型的几何特征,能准确的区分不同类别的三维模型,具有较高的分类准确率。