基于 CatBoost 算法的面向对象土地利用分类

为实现较高层次的遥感影像分类及有效去除高维特征的信息冗余,以 Sentinel-2 遥感影像为数据源,应 用 CatBoost 算法对龙江县进行了面向对象的土地利用分类。利用 CatBoost 算法对全部特征集进行降维,分别使 用 CatBoost、ＲF(Ｒandom Forest)和 AdaBoost 算法进行土地利用分类并对分类结果进行对比。研究结果表明, CatBoost、ＲF 和 AdaBoost 算法的 Kappa 系数均在 0． 77 以上,且 CatBoost 算法的 Kappa 系数高达 0． 911 4。因此 CatBoost分类法是土地利用分类的有效方法,为土地类型的划分提供了快捷可行的方法。     

基于CART算法的网络新闻关键词抽取模型研究

文章首次把CART决策树方法应用在关键词抽取工作中,并引进相似度进行了决策树方法的改进.在对特征值选择时,根据档案文本书写特征及习惯,选取档案文本的标题、档案关键词词性组合作为特征向量,并基于以往关键词抽取的先验知识加入词位置、相对频数、词语组合个数等作为特征向量.在CART决策树方法基础上,通过引入Jaccard系数合并相似度高的属性元素改进算法,来提高分类的准确率以及减小算法的复杂度.文章选取大量文本作为训练集,通过CART决策树方法进行训练学习而建立模型,建立好的模型能大大减少关键词抽取工作量,并提高关键词抽取的准确率.     

基于GF-2遥感影像的面向对象分类方法比较研究

基于eCognition软件分别采用K-最近邻(KNN)分类、支持向量机(SVM)分类和CART决策树分类对GF-2遥感影像进行面向对象分类,并对3种分类方法的结果进行比较分析。结果表明:K-最近邻分类在影像准确性、复杂多样性、影像光谱混淆以及分布边界模糊等方面具有较高的识别能力。     

基于面向对象的SPOT5湿地影像分类

本文选取洪河保护区湿地景观为研究对象,运用面向对象分类方法对研究区进行分类研究,分类精度达到95.31%,Kappa系数为0.9452。面向对象的分类方法充分考虑地物的几何、光谱、纹理、结构等多方面的信息,能够有效地弥补传统分类方法的缺陷,在高分辨率应用上可以体现更好的效果。     

高光谱图像植被类型的CART决策树分类

为提高植被分类的精度, 在利用高光谱图像提取植被信息时需要考虑训练样本和地形等其他因素的影响。以长白山为研究背景, 基于CART（Classification And Regression Tree）算法构建决策树模型, 对高光谱图像进行植被分类。由于混合像元的影响, 以采用PPI（Pixel Purity Index）提取的纯净像元作为训练样本, 提取植被指数、 纹理和地形等分类特征变量。基于这些变量构建CART决策树对植被分类, 并将结果与最大似然法分类结果进行比较。结果表明, CART决策树分类法可实现光谱、 纹理和地形特征的有效组合, 有较好的分类效果。     

层次分类诊断模型的面向对象实现

基于面向对象的思想，论述了诊断问题的分类层次和证据模式，提出用面向对象的框架结构表达诊断知识的模型，并给出其推理过程，以此为基础，用Ｂｏｒｌａｎｄ Ｃ＾＋＋语言实现了层次分类诊断模型，并将其应用于汽轮发电机组的故障诊断系统中。     

基于面向对象的SPOT5湿地影像分类

本文选取洪河保护区湿地景观为研究对象,运用面向对象分类方法对研究区进行分类研究,分类精度达到95.31%,Kappa系数为0.9452。面向对象的分类方法充分考虑地物的几何、光谱、纹理、结构等多方面的信息,能够有效地弥补传统分类方法的缺陷,在高分辨率应用上可以体现更好的效果。     

基于面向对象的长株潭地区遥感影像分类方法

结合Landsat TM遥感影像和环境减灾卫星HJ-1-A、B影像数据,基于面向对象的遥感影像分类技术实现长株潭地区土地利用/覆被的分类提取.综合利用隶属度函数和最邻近分类方法设置分类规则,逐步提取林地、湿地、耕地、人工表面的地物信息.以地形复杂多样的长株潭地区为研究区,收集整理具有代表性的样点用于分类和精度评价.结果表明,利用隶属度函数方法分类结果基本能满足生产者和用户的需要,但是林地、耕地内部二级类精度相对较低,错分比较严重,采用最邻近分类优化分类结果后,研究区总体分类精度达到86.05%,耕地和林地一级类分类精度分别提高到73.63%和87.1%.     

面向对象的遥感影像分类研究

在基于传统的遥感影像分类方法的基础上,结合面向对象分析理论与方法,提出了面向对象的遥感影像的分类方法,通过实验分析探讨了面向对象影像分类的关键技术。包括多尺度的分割,分类器的建立,包括最近邻分类和模糊聚类分类。实验表明,面向对象的分类方法较传统基于像素分类法有较高的精度,具有很大的发展潜力。     

基于面向对象分类方法的城市用地类型提取

丰富的高分辨率影像及面向对象分类方法为城市土地利用分类与分析提供了新的机遇.以SPOT-5 2.5 m融合后的多光谱遥感影像为主要数据源,采用基于规则的面向对象分类法进行分类.首先分析典型地物的影像光谱特征、几何特征和纹理特征,找出区分点进行,对最终的房屋、工厂、道路、阴影、未利用地5类城市用地进行精度分析,进而对面向对象的分类方法及存在问题进行阐述.     

基于余数分类的视频隐写算法

通过对现有视频隐写算法的分析与研究,针对其嵌入效率低,隐藏性和安全性差等缺点,提出一种基于余数分类的视频隐写算法.该算法在量化后的离散余弦变换域的中低频区中选取8个系数,对其进行模5运算求余,然后根据余数的不同来进行分类.最后统计每个类别的个数,根据其奇偶性来嵌入4bit信息.实验结果证明:该算法在对载体系数做出少量修改的情况下,可以嵌入大容量的信息.与其他同域的隐写算法比较,在信息嵌入率,峰值信噪比,安全隐蔽性等方面都有明显的优势.     

基于分类回归树(CART)的点焊质量在线监测

电阻点焊过程动态信号蕴含着大置直接或间接反映焊点质置的动态信息,通过对焊接过程电极位移、动态电阻信号的同步采集和分析,从两种信号中提取了12个特征参置建立表征点焊过程的数据集,以焊点接头抗剪强度作为焊点质置评价的指标,利用分类回归树（CART）数据挖掘方法,将焊接过程监测参置与焊点强度之间复杂的映射模型以十分直观的二叉树形式给出,用一系列监测特征参置的逻辑表达式构成接头强度分类、预测规则,使得接头强度分类和预测过程易于表达、准确率高、分类预测速度快,进而实现对未知样本焊点强度的分类及预测,CART测试结果表明,分类回归树可以较为满意地完成焊点接头强度的分类、预测任务。     

A window-based accelerating algorithm for SDA integration

给出了一个求解片上多层互连线的复数传播常数的谱域分析法(SDA).由于SDA是一种全波分析法,其计算量通常很大,为了提高积分方程的求解速度,引入了一个新颖的钟形窗口函数.该函数在谱域内具有低通滤波特性,并且拥有简单闭合的计算公式,能够有效地降低计算复杂度.基于该窗口函数的特性研究,推导出了一个新的用于提高SDA积分求解速度的加速算法.实验证明,该算法具有较高的精度和速度.     

基于指数分布族的类特定文本分类算法

在文本分类中,选取一个高效的分类算法是提高文本分类准确度,缩短分类时间的关键。提出基于指数分布族的多项式贝叶斯类特定分类算法(exponential family-multinomial naive Bayes,EF-MNB),基于多项式模型构造了N个类的分布,利用类特定特征选择算法得到第N个类的特征子集及对应类的特征概率密度函数(probability density function,PDF),通过指数分布族构造了N个类的原始PDF估计表达式,给定N个类的训练集,得到了第N个类的最优PDF估计,并基于贝叶斯定理制定了分类规则。仿真结果表明,与基于文档主题生成模型和支持向量机(latent dirichlet allocation-support vector machine,LDA-SVM)的层次分析分类算法、改进的超球支持向量机(improved hyper-sphere support vector machine,IHS-SVM)文本分类算法和基于主成份分析和k最近邻(principal component analysis-k-nearest-neighbor,PCA-KNN)混合分类算法相比,EF-MNB类特定分类算法使用少量的时间就可获得更高分类准确率。     

基于代价敏感的图分类算法

引入图的误分类代价矩阵,选取以最小误分类代价为目标的加权子图作为图样本的特征属性,建立起图的决策树桩分类器,进行集成学习,得到一个对新图进行分类的判别函数.在生成候选子图时,利用子图的超图增益值具有上界的性质来裁剪增益值比较小的候选子图,从而减少候选子图数量,提高算法效率.实验结果表明,所提算法比其他图分类算法的误分类代价更小.     

基于LDA的文本分类算法

LDA可以实现大量数据集合中潜在主题的挖掘与文本信息的分类,模型假设,如果文档与某主题相关,那么文档中的所有单词都与该主题相关.然而,在面对实际环境中大规模的数据,这会导致主题范围的扩大,不能对主题单词的潜在语义进行准确定位,限制了模型的鲁棒性和有效性.本文针对LDA的这一弊端提出了新的文档主题分类算法gLDA,该模型通过增加主题类别分布参数确定主题的产生范围,提高分类的准确性.Reuters-21578数据集与复旦大学文本语料库中的数据结果证明,相对于传统的主题分类模型,该模型的分类效果得到了一定程度的提高.     

基于SVM分类的边缘提取算法

通过分析同类数据点在空间中的几何形态,从数据点集所构成几何形态的凹凸性着手,提出边界提取算法并对高维数据进行分类。针对现实生活中的高维数据,利用局部线性嵌入将数据进行降维处理,得到低维特征数据。在此基础上,对于单分类数据集,用数据集表面的点的近邻样本与过该点的切平面之间的关系寻找边界点;对于多分类数据集,利用贝叶斯后验概率来寻找边界重复的点,以此更快达到提取边界点的目的。由此可以粗略筛选出边界点。为去除不重要的边界点,降低分类误差,通过构造最优超平面和支持向量机对边界点赋予权重,并设置阈值去除不重要的边界点,由此达到用较少的边界点准确分类数据的目的。通过100个测试样本进行分类测试并计算其分类准确率,验证了此分类方法的可行性。     

基于数据挖掘的分类算法综述

分类算法是数据挖掘中最重要的研究领域之一。通过对当前数据挖掘中具有代表性的优秀分类算法进行分析和比较,给出了每种算法的特性,为使用者选择算法或研究者改进算法提供了依据。     

基于面向对象的热带林分类方法研究

【目的】为了加强热带林资源的保护,采用遥感技术对热带林植被进行分类研究。【方法】基于SPOT6高分辨率遥感影像,采用ESP多尺度分割评价模型与专家知识结合的方法确定最优分割尺度参数,在分割的基础上充分挖掘目标地物的光谱、形状及纹理信息,合理选择分类特征组合,建立分类规则,构建了一套基于面向对象的热带林多尺度分类方法。【结果】与单一尺度的分类方法相比,该方法分类精度有明显提高,分类总体精度达到84.46%,并且缩短了传统目视确定最优分割参数的时间,提高了分割效率和精度。【结论】基于面向对象的多尺度分类方法能够实现高精度的热带林植被信息提取,可为遥感分类技术在热带林的应用提供参考。     

基于组织进化和信息熵的数据驱动分类算法

提出了一种分类算法--基于组织进化和信息熵的数据驱动分类算法(a data-driven classification algorithm based on organizational evolution and entropy,DDCAOEE),与已有进化算法的运行机制不同,它的进化操作直接作用于数据而不是规则,进化结束后再从各组织中提取规则,这样有利于避免在进化过程中产生无意义的规则.根据分类问题的特点,设计了信息系统的组织,提出了3种进化算子和一种组织选择机制,给出了基于信息熵的属性重要度的进化方式,并基于此定义了组织适应度函数,最后,将算法用于6个试验数据集,并与现有的2个分类方法(Ant-Miner和CN2)进行了比较,实验结果表明,该方法获得了更高的预测准确率,产生了更小的规则集.