基于出行者潜在类别的公交出行行为研究

不同类型的公交使用者对公交的评价、使用公交出行的意愿不相同,如何对公交使用者进行有效划分,分析各类因素对划分的影响,并研究不同类型出行者使用公交意愿等受到各类影响因素的异同是值得关注的问题.文中引入潜在回归模型,基于公交使用者对公交满意度、使用意愿等几类因素,对其进行类别划分,并根据类别划分,分别分析每一类公交出行者总体满意度、使用公交意愿受到的影响因素的异同.研究结果表明,公交使用可划分为机会乘客、忠诚乘客两类群体,且小汽车拥有情况、收入水平会影响出行者的类别划分.拥有小汽车时,出行者更可能成为机会乘客,随着收入的增加,出行者成为机会乘客的概率增加.对比分析影响出行者总体满意度的因素,发现速度评价、准点性评价、等车时间评价、票价评价等因素对机会乘客总体满意度的影响大于对忠诚乘客总体满意度的影响.分析成功推荐他人使用公交的情况,发现机会乘客总体满意度对推荐结果的影响极为显著,随着总体满意度的增加,推荐的概率大致呈线性增长趋势.研究使用公交频率影响因素,发现拥有小汽车会降低机会乘客和忠诚乘客使用公交频率,而增加总体满意度会增加机会乘客使用公交频率.     

基于数据挖掘和高光谱数据的湿地植被精细分类

以大丰市沿海滩涂湿地区域为研究区,以机载高光谱影像为主要数据源,冠层高度模型(canopy height model,CHM)数据为辅助数据,采用数据挖掘的方法对高光谱数据进行特征规则提取,实现了湿地植被的精细分类.结果表明:3种湿地植被分类结果的总体精度为90.3%,说明数据挖掘技术在处理高维数据时不仅可以提取重要程度较高的数据,而且可以减少数据量,提高数据处理效率与分类精度;与传统的支持向量机分类法(SVM)分类结果进行对比,基于数据挖掘的湿地植被精细分类总体精度比SVM分类方法高10.8%,表明数据挖掘方法在湿地植被高光谱遥感分类问题上具有较大优势.     

基于Sentinel-1A/B SAR数据的西北航道海冰分类研究

使用2015-11—2018-02冬季97景覆盖西北航道海域的Sentinel-1A/B HV极化数据,经过边界噪声移除、角度效应校正等步骤处理,通过灰度共生矩阵获得影像的纹理特征,利用LibSVM分类方法对一年冰(first-year ice,FYI)与多年冰(multi-year ice,MYI)的纹理特征进行训练并分类.利用加拿大冰服务中心(Canadian ice service,CIS)提供的海冰分类图进行精度评价,分类的总体精度为73.15%.     

基于主题注意力层次记忆网络的文档情感建模

针对文档水平情感分析传统模型存在先验知识依赖以及语义理解不足问题,提出一种基于注意力机制与层次网络特征表示的情感分析模型TWE-ANN.采用基于CBOW方式的word2vec模型针对语料训练词向量,减小词向量间的稀疏度,使用基于Gibbs采样的LDA算法计算出文档主题分布矩阵,继而通过层次LSTM神经网络获取更为完整的文本上下文信息从而提取出深度情感特征,将文档主题分布矩阵作为模型注意力机制提取文档特征,从而实现情感分类.实验结果表明:提出的TWE-ANN模型较TSA、HAN模型分类效果较好,在Yelp2015、IMDB、Amazon数据集上的F值分别提升了1.1%、0.3%、1.8%,在Yelp2015和Amazon数据集上的RMSE值分别提升了1.3%、2.1%.     

完全贝叶斯分类器在经济数据分类中的应用

针对贝叶斯分类器分类强关联属性导致分类准确率下降的问题,提一种完全贝叶斯分类器合理利用属性间的依赖关系优化贝叶斯分类器,对参数进行动态调整组合,同时合理剔除无关属性.采用国内外知名数据库提供的数据,通过与其他分类器的对比实验,证明了完全贝叶斯分类器在宏观与微观经济数据分类中都获得了较好的分类效果.     

结合word2vec与扩充情感词典的微博多元情感分类研究

对微博文本的多元情感分类问题进行了研究.针对现有的多元情感词典不能很好地覆盖微博文本中情感词的不足,结合特定的情感符号和基于卡方统计量的度量方法,实现对现有的多元情感词典的扩充;针对情感词典无法有效考察文本的上下文语境信息的问题,引入word2vec模型实现情感词和其所在微博语句的向量化表达.在此基础上,利用KNN分类器实现微博句子级的多元情感分类.实验结果表明,扩充情感词典及引入word2vec模型均有助于提升微博文本多元情感分类的效果.     

基于深度自动编码器的多标签分类研究

在多标签分类的相关研究中,由于现有的基于网络表示学习算法的相关方法只利用了网络中节点之间的邻接领域信息,而没有考虑到节点之间的结构相似性,从而导致分类准确性较低,因此,本文提出一种基于深度自动编码器的多标签分类模型。该方法首先利用轨迹计算算法(Orca)计算不同规模下网络中节点的结构相似性,作为深度自动编码器的输入来改进隐藏层中的向量表示,保留网络的全局结构;然后利用节点的邻接领域信息在模型中进行联合优化,从而能有效地捕捉到网络的高度非线性结构;最后根据隐藏层得到节点的向量表示,利用支持向量机对节点进行多标签分类。验证实验采用3个公开的网络数据集,实验结果表明,与基准方法相比,本文方法在多标签分类任务中能取得更好的效果。     

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。     

基于样本差异性的多标记特征选择算法

在多标记学习中,特征空间的高维性是多标记学习研究的主要问题。文章通过聚类构建由代表性样本组成新多标记数据,定义了多标记决策系统中样本的分类间隔及样本的差异性概念,在此基础上定义了特征权重,提出一种基于样本差异性的多标记特征选择算法,并用4个指标对4个多标记数据集进行实验评价,对比一些当前流行的特征选择算法,验证了本文所提算法的有效性。     

一种基于集成学习的DBN模型分类方法

雷达信号分类是雷达信号电子侦察的关键技术之一,针对利用深度学习模型进行雷达信号分类时其性能不稳定的缺点,提出了一种基于集成学习的深度信念网络模型进行分类的方法.通过深度信念网络模型不同层间的特征抽取,通过不同的分类器得到不同的分类结果,再将分类结果进行集成,得到最终的输出.待分类的雷达信号由12部雷达产生,包括常规、参差、频率捷变和抖动四种雷达.仿真结果表明,该模型的分类错误率较低,鲁棒性较好.