CN102750551A - 一种粒子寻优下基于支持向量机的高光谱遥感分类方法 - Google Patents
一种粒子寻优下基于支持向量机的高光谱遥感分类方法 Download PDFInfo
- Publication number
- CN102750551A CN102750551A CN201210202073XA CN201210202073A CN102750551A CN 102750551 A CN102750551 A CN 102750551A CN 201210202073X A CN201210202073X A CN 201210202073XA CN 201210202073 A CN201210202073 A CN 201210202073A CN 102750551 A CN102750551 A CN 102750551A
- Authority
- CN
- China
- Prior art keywords
- particle
- data
- classification
- function
- support vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000010521 absorption reaction Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 230000001133 acceleration Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000035772 mutation Effects 0.000 abstract 1
- 238000010187 selection method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 15
- 230000003595 spectral effect Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012567 pattern recognition method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种粒子寻优下基于支持向量机的高光谱遥感分类方法。现有方法无法满足对数据维数高、数据量大的高光谱数据进行高效率高精度的分类，对支持向量机方法的参数没有理想的选择方法。本发明首先对高光谱数据进行预处理，去掉大气吸收等因素影响下的异常波段。之后随机选取各个类别的一定比例的数据作为训练数据，选择高斯径向基为核函数形式，训练基于支持向量机的分类器。设计变化权重的速度更新公式，并保证一定比例的粒子突变，通过粒子群优化算法，选择得到最优分类器参数。训练多个的二分类器，以投票法的方式选取得票最多的类成为数据点的最终预测的类别。本发明增强了分类器参数寻优收敛的能力，提高了高光谱遥感图像的分类性能。
Description
技术领域
本发明属于信息技术领域，涉及到人工智能、模式识别技术，具体是一种粒子优化下基于支持向量机的高光谱遥感分类方法。
背景技术
利用高光谱遥感进行地物分类是遥感众多应用领域中一个重要的组成部分。高光谱遥感能极大的获取地物特征光谱曲线，具有光谱分辨率高，光谱连续性强，相邻谱带相关性高的特点。而其数据维数高、数据量大、数据不确定性和小样本分类等特点，是高光谱遥感数据分类的关键和难点。
在分类处理技术上，沿用了多光谱遥感处理方式，用得最广、最为一般的方法是统计模式识别方法。利用该种方法进行影像的分类时，首先设定地物类别服从一定的分布（如正态分布），并获取不同类别的一定数量的训练样本点，进行类别参数的估计，获取各类别的具体分布信息；然后，根据所选取的分类器（诸如最小欧式距离分类器、高斯最大似然分类器等），将各待识样本点进行类别判断，赋予其合适的类别标签。虽然统计模式识别方法在多光谱影像的分类中得到了成功的运用，但高光谱数据与多光谱数据有着很大的不同。原来许多参数估计方法都是在正态分布的假设下做出的，但对高维的高光谱数据来说，是否满足正态分布则很难判断。传统模式分类方法常常建立在统计分析和大数定律基础上，只有当训练样本数量趋于无穷时，传统方法的性能才能达到最优。
在分类器的选取方面，针对多光谱影像分类的方法已经得到了充分的研究，加之该类影像所包含的地物信息有限，因而通常可以获得较为理想的分类结果。但在高光谱影像的分类过程中，随着光谱分辨率的提高，可识别的类别数目得到增加，这些在多光谱条件下无法辨别的地物类别一般来说有着较差的可分性，使得传统的分类方法可能不再适应。因而，寻求性能更为优良、适应性更强、执行效率高的分类器，就成为是否能够充分挖掘高光谱影像，实现精确分类的关键因素。
发明内容
本发明的目的就是针对现有技术的不足，提供了一种粒子群优化下基于支持向量机的高光谱遥感分类方法。该方法弥补了传统统计模式分类方法在高光谱分类问题上的不足。
本发明方法包括以下步骤：
1）高光谱数据的预处理。
将光谱影像各个波段以灰度图实现显示，对各个波段的光谱影像进行目视检查，确定由于大气吸收、折射和散射等因素对光谱数据产生较大影响的异常波段，所述异常波段指无法成像显示地物特征波段，对其做直接剔除处理。而后，对余下各个波段做归一化处理。
2）训练样本准备。
依据先验知识，在每个地物类别区域内，随机选取一定比例的训练样本。每个二分类问题，可组成训练样本集 
,,，其中
为n维输入向量，也即n维训练样本，
为第i个样本的样本标签，其表征样本类别号，
为训练样本总数。
3）支持向量机的分类器设计。
根据结构风险最小的原则，构造一个目标函数，寻找一个满足分类要求的分割超平面
，其中为超平面的法向量，
为超平面的偏移量，并使训练集中的点距离该分割平面尽可能地远，即寻找一个分割平面，使其两侧的空白区域(
)最大。此时，规划问题表述为下式：
其中
为错分样本的惩罚因子，
和
为松弛因子。
目标函数是严格上凹的二次型，约束函数是下凹的，按照最优化理论中凸二次规划的解法，构造拉格朗日函数：
其中
、
为拉格朗日乘子，转化为Wolfe对偶问题：
决策函数为：
（其中和
为常数）
4）核函数构造。
选择适当的核函数
，把原特征空间变换到了某一新的特征空间，使得非线性规划转化为线性规划。采用拥有较宽收敛域的高斯径向基核函数作为支持向量的核函数，数学表达式如下：
其中
为核函数参数。
据此得到规划问题：
决策函数为：
（其中
和
为常数）
5）改进粒子优化算法下分类器的参数寻优。
采用核函数将实际问题转换到高维空间后，
和
是两个待确定的分类器参数。在一个二维（
和
）解的目标搜索空间中，有个代表潜在问题解的粒子组成一个种群，该种群可表示为
，其中
为第i个粒子，优化步骤如下：
a）在搜索空间
中，给每一个粒子
,设定一个随机的初始化的位置
，以及一个随机的初始化的速度
，从而完成粒子群初始化。
b）确定的适应度函数
为训练集分类正确率，计算每个粒子在初始位置的适应度值
，比较各粒子适应度值得到初始时全局最佳粒子的位置
，以及各个个体最佳粒子的位置
。
c）根据下面的式子更新每个粒子的速度和位置。
速度更新公式：
位置更新公式：
其中
为惯性权重，
为认知加速因子，
为社会加速因子，
和
为0到1的两个随机数。此时，设定惯性权重为随迭代次数变化的变量：
其中，的变化范围为，
为当前迭代次数，为最大迭代次数。
在粒子更新过程中，设定一部分粒子不按照更新公式进行变化。每次迭代时，按照一定比例分配粒子在设定的位置和速度范围内采用随机更新的方式进行变化。
d）计算更新后的粒子的适应度
。对每个微粒，将其当前适应值与所经历过的最好位置的适应值进行比较，若适应值有提高，则将其作为当前的最好位置。对每个微粒，将其当前适应值与全局所经历的最好位置
的适应值进行比较，若适应值有提高，则将其作为当前的全局最好位置。
e）继续按照速度和位置更新公式，更新粒子，继续步骤c和d。直到达到停机条件（达到预定的适应度值）或者达到最大迭代次数
。
6）对于K类训练样本，构造所有可能的两类分类器，每次仅仅在K类中的两类训练样本上训练，结果共构造K(K-1)/2个分类器。运用这些分类器，分别对高光谱遥感数据进行预测，得到每个数据点的K(K-1)/2个预测标签。采用投票的方法，将每个数据点得到得票最多的类的预测标签，判定为最终的类别。如果数据点有几类的预测标签得票相等，则随机选择其中某一类的标签，作为其最终的分类标号。
本发明针对高光谱遥感的数据特点，采用了以小样本学习、抗噪性能、学习效率高和推广性好为优点的支持向量机的方法。此法能有效解决高光谱分类中常见的休斯（Hughes）效应，实现了对高维数据的处理，达到了理想的分类精度。同时应用改进的粒子群算法优化了基于支持向量机的核函数的参数选取，取得了优于普通寻优方法的高光谱分类结果。
附图说明
图1为本发明方法流程图。
图2为高光谱第11波段的灰度图。
具体实施方式
使用的高光谱数据为1992年6月获取的航空AVIRIS影像，实验区位于美国印第安纳州，包含农作物和森林植被混合区域。图像大小为145×145像素，参见图2，光谱范围从0.4-2.4um，共220波段，16个地物类别，1个背景类。
首先，去掉水汽吸收影响下的30个波段，剩下190个波段，对余下数据去除背景类点，然后做归一化处理。随机选择每个类别的50%的数据点，作为分类器的训练数据。
表1 各类别训练测试数据统计表
| 类别 | 训练个数 | 测试个数 | 合计 |
| C1 | 27 | 27 | 54 |
| C2 | 717 | 717 | 1434 |
| C3 | 417 | 417 | 834 |
| C4 | 117 | 117 | 234 |
| C5 | 248 | 249 | 497 |
| C6 | 373 | 374 | 747 |
| C7 | 13 | 13 | 26 |
| C8 | 244 | 245 | 489 |
| C9 | 10 | 10 | 20 |
| C10 | 484 | 484 | 968 |
| C11 | 1234 | 1234 | 2468 |
| C12 | 307 | 307 | 614 |
| C13 | 106 | 106 | 212 |
| C14 | 647 | 647 | 1294 |
| C15 | 190 | 190 | 380 |
| C16 | 47 | 48 | 95 |
| 总计 | 5181 | 5185 | 10366 |
选择高斯径向基函数为支持向量机的核函数，采取粒子群优化算法，对参数（
和）寻优。设计粒子为两维，初始粒子群个数为15，最大迭代代数为
，最优停机准则为达到99%的分类精度，最大粒子速度模为1，粒子初始速度为模不大于1的随机速度，在以及
的区域内随机生成15个粒子的位置。
选择k=3的3折交叉验证的平均训练样本分类正确率的负数为设计的适应度函数：；
在粒子速度更新公式中，设计认知加速因子
，社会加速因子
。设计惯性权重为动态变化权重：
初始化最大权重
，最小权重
。设定每次粒子在速度更新中都有10%的突变比例。
经过不断迭代，达到停机准则（达到相应分类精确率或者达到最大迭代数），此时使得全局最优的粒子的位置向量为最终的分类器最优参数向量。
针对16个地物类别，构造
个的分类器，粒子优化得到最优参数后，对高光谱数据进行预测，根据投票法则，得到最多投票数的类别为数据点最终的分类预测类别点。
本发明方法和其他两种方法的分类结果统计表如下：
表2 分类结果表
其中
为
变量最小变化步长为
,为
变量最小变化步长为
,
为粒子个数，
为认知加速因子，
为社会加速因子，
为最大迭代次数，
为权重上限，
为权重下限。
从统计分类结果表中可看到，采用本发明的方法，分别比网格搜索方法和基本PSO方法分别提高了2.99%和4.67%，达到了理想的分类精度。
Claims (1)
1. 一种粒子寻优下基于支持向量机的高光谱遥感分类方法，其特征在于该方法包括以下步骤：
1）高光谱数据的预处理；
将光谱影像各个波段以灰度图实现显示，对各个波段的光谱影像进行目视检查，确定由于大气吸收、折射和散射因素对光谱数据产生较大影响的异常波段，所述异常波段指无法成像显示地物特征波段，对其做直接剔除处理；而后，对余下各个波段数据做归一化处理；
2）训练样本准备；
依据先验知识，在每个地物类别区域内，随机选取一定比例的训练样本；每个二分类问题，可组成训练样本集 ,
, 
，其中
为n维输入向量，也即n维训练样本，
为第i个样本的样本标签，其表征样本类别号，
为训练样本总数；
3）支持向量机的分类器设计；
根据结构风险最小的原则，构造一个目标函数，寻找一个满足分类要求的分割超平面
，其中
为超平面的法向量，
为超平面的偏移量，并使训练集中的点距离该分割平面尽可能地远，即寻找一个分割平面，使其两侧的空白区域(
)最大；此时，规划问题表述为下式：
其中
为错分样本的惩罚因子，和
为松弛因子；
目标函数是严格上凹的二次型，约束函数是下凹的，按照最优化理论中凸二次规划的解法，构造拉格朗日函数：
其中、
为拉格朗日乘子，转化为Wolfe对偶问题：
决策函数为：
，其中和
为常数；
4）核函数构造；
选择适当的核函数
，把原特征空间变换到了某一新的特征空间，使得非线性规划转化为线性规划；采用拥有较宽收敛域的高斯径向基核函数作为支持向量的核函数，数学表达式如下：
其中
为核函数参数；
据此得到规划问题：
决策函数为：
，其中
和
为常数；
5）改进粒子优化算法下分类器的参数寻优；
采用核函数将实际问题转换到高维空间后，
和
是两个待确定的分类器参数；在一个二维解的目标搜索空间中，有
个代表潜在问题解的粒子组成一个种群，该种群可表示为
，其中为第i个粒子，优化步骤如下：
a）在搜索空间
中，给每一个粒子
,设定一个随机的初始化的位置
，以及一个随机的初始化的速度
，从而完成粒子群初始化；
b）确定的适应度函数为训练集分类正确率，计算每个粒子在初始位置的适应度值，比较各粒子适应度值得到初始时全局最佳粒子的位置
，以及各个个体最佳粒子的位置
；
c）根据下面的式子更新每个粒子的速度和位置；
速度更新公式：
位置更新公式：
其中为惯性权重，
为认知加速因子，
为社会加速因子，
和
为0到1的两个随机数；此时，设定惯性权重为随迭代次数变化的变量：
其中，的变化范围为
，
为当前迭代次数，
为最大迭代次数；
在粒子更新过程中，设定一部分粒子不按照更新公式进行变化；每次迭代时，按照一定比例分配粒子在设定的位置和速度范围内采用随机更新的方式进行变化；
d）计算更新后的粒子的适应度
；对每个微粒，将其当前适应值与所经历过的最好位置
的适应值进行比较，若适应值有提高，则将其作为当前的最好位置；对每个微粒，将其当前适应值与全局所经历的最好位置
的适应值进行比较，若适应值有提高，则将其作为当前的全局最好位置；
e）继续按照速度和位置更新公式，更新粒子，继续步骤c和d；直到达到停机条件或者达到最大迭代次数
；
6）对于K类训练样本，构造所有可能的两类分类器，每次仅仅在K类中的两类训练样本上训练，结果共构造K(K-1)/2个分类器；运用这些分类器，分别对高光谱遥感数据进行预测，得到每个数据点的K(K-1)/2个预测标签；采用投票的方法，将每个数据点得到得票最多的类的预测标签，判定为最终的类别；如果数据点有几类的预测标签得票相等，则随机选择其中某一类的标签，作为其最终的分类标号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210202073XA CN102750551A (zh) | 2012-06-18 | 2012-06-18 | 一种粒子寻优下基于支持向量机的高光谱遥感分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210202073XA CN102750551A (zh) | 2012-06-18 | 2012-06-18 | 一种粒子寻优下基于支持向量机的高光谱遥感分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN102750551A true CN102750551A (zh) | 2012-10-24 |
Family
ID=47030716
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210202073XA Pending CN102750551A (zh) | 2012-06-18 | 2012-06-18 | 一种粒子寻优下基于支持向量机的高光谱遥感分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102750551A (zh) |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103258244A (zh) * | 2013-04-28 | 2013-08-21 | 西北师范大学 | 基于粒子群优化支持向量机预测哒嗪类hcv ns5b聚合酶抑制剂的抑制浓度的方法 |
| CN103440493A (zh) * | 2013-02-27 | 2013-12-11 | 中国人民解放军空军装备研究院侦察情报装备研究所 | 基于相关向量机的高光谱影像模糊分类方法及装置 |
| CN103605711A (zh) * | 2013-11-12 | 2014-02-26 | 中国石油大学(北京) | 支持向量机分类器的构造方法及装置、分类方法及装置 |
| CN104268569A (zh) * | 2014-09-18 | 2015-01-07 | 浙江工业大学 | 一种基于超低色散光谱特征的空间碎片分类方法 |
| CN105825231A (zh) * | 2016-03-15 | 2016-08-03 | 浙江工业大学 | 一种基于人工智能的空间碎片光谱特征分类方法 |
| CN106482967A (zh) * | 2016-10-09 | 2017-03-08 | 湖南工业大学 | 一种代价敏感支持向量机机车车轮检测系统及方法 |
| CN107229944A (zh) * | 2017-05-04 | 2017-10-03 | 青岛科技大学 | 基于认知信息粒子的半监督主动识别方法 |
| US9851287B2 (en) | 2016-03-03 | 2017-12-26 | International Business Machines Corporation | Size distribution determination of aerosols using hyperspectral image technology and analytics |
| CN107687896A (zh) * | 2017-07-28 | 2018-02-13 | 中国科学院西安光学精密机械研究所 | 压缩编码光谱成像系统的编码模板矩阵优化设计方法 |
| CN107741410A (zh) * | 2017-09-18 | 2018-02-27 | 燕山大学 | 一种基于icso‑svm的苯并类物质的荧光光谱检测法 |
| CN108052968A (zh) * | 2017-12-08 | 2018-05-18 | 哈尔滨工程大学 | 一种qsfla-svm的感知入侵检测方法 |
| CN108229572A (zh) * | 2018-01-17 | 2018-06-29 | 北京腾云天下科技有限公司 | 一种参数寻优方法及计算设备 |
| CN108900198A (zh) * | 2018-06-29 | 2018-11-27 | 中国石油大学(华东) | 一种串行抵消列表译码参数的快速确定方法 |
| CN109461188A (zh) * | 2019-01-30 | 2019-03-12 | 南京邮电大学 | 一种二维x射线头影测量图像解剖特征点自动定位方法 |
| CN109670687A (zh) * | 2018-12-06 | 2019-04-23 | 华中科技大学 | 一种基于粒子群优化支持向量机的质量分析方法 |
| CN109670408A (zh) * | 2018-11-28 | 2019-04-23 | 河海大学 | 一种基于对象的遥感图像水体提取方法 |
| CN110221266A (zh) * | 2019-06-11 | 2019-09-10 | 哈尔滨工程大学 | 一种基于支持向量机的航海雷达目标快速检测方法 |
| CN111077193A (zh) * | 2019-12-31 | 2020-04-28 | 北京航空航天大学 | 一种电容传感器及对其电容信号进行处理的成像定位方法 |
| CN111381600A (zh) * | 2018-12-28 | 2020-07-07 | 陕西师范大学 | 一种基于粒子群算法的uuv路径规划方法 |
| CN113435101A (zh) * | 2021-04-01 | 2021-09-24 | 国网内蒙古东部电力有限公司 | 一种基于粒子群优化的支持向量机停电预测方法 |
| CN113646619A (zh) * | 2019-02-14 | 2021-11-12 | 开米美景公司 | 扩展粒子群波段选择 |
| CN118313560A (zh) * | 2024-05-10 | 2024-07-09 | 中国标准化研究院 | 一种基于知识图谱的城镇数字化管理方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101127086A (zh) * | 2007-09-12 | 2008-02-20 | 哈尔滨工程大学 | 高光谱图像复选性加权分类方法 |
-
2012
- 2012-06-18 CN CN201210202073XA patent/CN102750551A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101127086A (zh) * | 2007-09-12 | 2008-02-20 | 哈尔滨工程大学 | 高光谱图像复选性加权分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 《2012 2nd Remote Sensing，Environment and Transportation Engineering》 20120603 Xiaojian Gao et al. "Classification of Hyperspectral Image Based on SVM Optimized by A New Particle Swarm Optimization" 1-4 1 , * |
| XIAOJIAN GAO ET AL.: ""Classification of Hyperspectral Image Based on SVM Optimized by A New Particle Swarm Optimization"", 《2012 2ND REMOTE SENSING，ENVIRONMENT AND TRANSPORTATION ENGINEERING》 * |
Cited By (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103440493A (zh) * | 2013-02-27 | 2013-12-11 | 中国人民解放军空军装备研究院侦察情报装备研究所 | 基于相关向量机的高光谱影像模糊分类方法及装置 |
| CN103258244A (zh) * | 2013-04-28 | 2013-08-21 | 西北师范大学 | 基于粒子群优化支持向量机预测哒嗪类hcv ns5b聚合酶抑制剂的抑制浓度的方法 |
| CN103605711A (zh) * | 2013-11-12 | 2014-02-26 | 中国石油大学(北京) | 支持向量机分类器的构造方法及装置、分类方法及装置 |
| CN103605711B (zh) * | 2013-11-12 | 2017-02-15 | 中国石油大学(北京) | 支持向量机分类器的构造方法及装置、分类方法及装置 |
| CN104268569A (zh) * | 2014-09-18 | 2015-01-07 | 浙江工业大学 | 一种基于超低色散光谱特征的空间碎片分类方法 |
| CN104268569B (zh) * | 2014-09-18 | 2017-08-01 | 浙江工业大学 | 一种基于超低色散光谱特征的空间碎片分类方法 |
| US10168268B2 (en) | 2016-03-03 | 2019-01-01 | International Business Machines Corporation | Size distribution determination of aerosols using hyperspectral image technology and analytics |
| US9851287B2 (en) | 2016-03-03 | 2017-12-26 | International Business Machines Corporation | Size distribution determination of aerosols using hyperspectral image technology and analytics |
| US10175157B2 (en) | 2016-03-03 | 2019-01-08 | International Business Machines Corporation | Size distribution determination of aerosols using hyperspectral image technology and analytics |
| CN105825231A (zh) * | 2016-03-15 | 2016-08-03 | 浙江工业大学 | 一种基于人工智能的空间碎片光谱特征分类方法 |
| CN106482967A (zh) * | 2016-10-09 | 2017-03-08 | 湖南工业大学 | 一种代价敏感支持向量机机车车轮检测系统及方法 |
| CN106482967B (zh) * | 2016-10-09 | 2019-10-29 | 湖南工业大学 | 一种代价敏感支持向量机机车车轮检测系统及方法 |
| CN107229944A (zh) * | 2017-05-04 | 2017-10-03 | 青岛科技大学 | 基于认知信息粒子的半监督主动识别方法 |
| CN107229944B (zh) * | 2017-05-04 | 2021-05-07 | 青岛科技大学 | 基于认知信息粒子的半监督主动识别方法 |
| CN107687896A (zh) * | 2017-07-28 | 2018-02-13 | 中国科学院西安光学精密机械研究所 | 压缩编码光谱成像系统的编码模板矩阵优化设计方法 |
| CN107741410A (zh) * | 2017-09-18 | 2018-02-27 | 燕山大学 | 一种基于icso‑svm的苯并类物质的荧光光谱检测法 |
| CN108052968B (zh) * | 2017-12-08 | 2021-11-12 | 哈尔滨工程大学 | 一种qsfla-svm的感知入侵检测方法 |
| CN108052968A (zh) * | 2017-12-08 | 2018-05-18 | 哈尔滨工程大学 | 一种qsfla-svm的感知入侵检测方法 |
| CN108229572A (zh) * | 2018-01-17 | 2018-06-29 | 北京腾云天下科技有限公司 | 一种参数寻优方法及计算设备 |
| CN108229572B (zh) * | 2018-01-17 | 2021-03-02 | 北京腾云天下科技有限公司 | 一种参数寻优方法及计算设备 |
| CN108900198A (zh) * | 2018-06-29 | 2018-11-27 | 中国石油大学(华东) | 一种串行抵消列表译码参数的快速确定方法 |
| CN109670408A (zh) * | 2018-11-28 | 2019-04-23 | 河海大学 | 一种基于对象的遥感图像水体提取方法 |
| CN109670687A (zh) * | 2018-12-06 | 2019-04-23 | 华中科技大学 | 一种基于粒子群优化支持向量机的质量分析方法 |
| CN111381600A (zh) * | 2018-12-28 | 2020-07-07 | 陕西师范大学 | 一种基于粒子群算法的uuv路径规划方法 |
| CN109461188A (zh) * | 2019-01-30 | 2019-03-12 | 南京邮电大学 | 一种二维x射线头影测量图像解剖特征点自动定位方法 |
| CN113646619A (zh) * | 2019-02-14 | 2021-11-12 | 开米美景公司 | 扩展粒子群波段选择 |
| CN110221266A (zh) * | 2019-06-11 | 2019-09-10 | 哈尔滨工程大学 | 一种基于支持向量机的航海雷达目标快速检测方法 |
| CN110221266B (zh) * | 2019-06-11 | 2022-12-13 | 哈尔滨工程大学 | 一种基于支持向量机的航海雷达目标快速检测方法 |
| CN111077193B (zh) * | 2019-12-31 | 2021-10-22 | 北京航空航天大学 | 一种电容传感器及对其电容信号进行处理的成像定位方法 |
| CN111077193A (zh) * | 2019-12-31 | 2020-04-28 | 北京航空航天大学 | 一种电容传感器及对其电容信号进行处理的成像定位方法 |
| CN113435101A (zh) * | 2021-04-01 | 2021-09-24 | 国网内蒙古东部电力有限公司 | 一种基于粒子群优化的支持向量机停电预测方法 |
| CN118313560A (zh) * | 2024-05-10 | 2024-07-09 | 中国标准化研究院 | 一种基于知识图谱的城镇数字化管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102750551A (zh) | 一种粒子寻优下基于支持向量机的高光谱遥感分类方法 | |
| CN102819745B (zh) | 一种基于AdaBoost的高光谱遥感影像分类方法 | |
| Yang et al. | Particle swarm optimization-based hyperspectral dimensionality reduction for urban land cover classification | |
| CN102646200B (zh) | 多分类器自适应权值融合的影像分类方法及系统 | |
| CN104732244B (zh) | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 | |
| CN109215034B (zh) | 一种基于空间金字塔掩盖池化的弱监督图像语义分割方法 | |
| CN103440505B (zh) | 空间邻域信息加权的高光谱遥感图像分类方法 | |
| CN103914705B (zh) | 一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法 | |
| CN101763507A (zh) | 人脸识别方法及人脸识别系统 | |
| Tripathi et al. | Optimized deep learning model for mango grading: Hybridizing lion plus firefly algorithm | |
| CN115410088B (zh) | 一种基于虚拟分类器的高光谱图像领域自适应方法 | |
| CN107808138A (zh) | 一种基于FasterR‑CNN的通信信号识别方法 | |
| CN103093182A (zh) | 一种基于多敏感性策略的遥感影像层次分类识别方法 | |
| CN103500343A (zh) | 基于mnf变换结合扩展属性滤波的高光谱影像分类方法 | |
| CN117237902B (zh) | 基于深度学习的机器人物体识别系统 | |
| CN102842043A (zh) | 基于自动聚类的粒子群优化分类方法 | |
| CN115393631A (zh) | 基于贝叶斯层图卷积神经网络的高光谱图像分类方法 | |
| CN104933410B (zh) | 一种高光谱图像光谱域与空间域联合分类方法 | |
| CN103971362B (zh) | 基于直方图和精英遗传聚类算法的sar图像变化检测 | |
| Kurniati et al. | GLCM-Based Feature Combination for Extraction Model Optimization in Object Detection Using Machine Learning | |
| CN104331711B (zh) | 基于多尺度模糊测度与半监督学习的sar图像识别方法 | |
| Tsankova et al. | Botanical origin-based honey discrimination using vis-nir spectroscopy and statistical cluster analysis | |
| CN104794497A (zh) | 一种高光谱图像分类中多中心拟合方法 | |
| CN116311067A (zh) | 基于高维特征图谱的目标综合识别方法、装置及设备 | |
| Mathanker et al. | AdaBoost and support vector machine classifiers for automatic weed control: Canola and Wheat |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C12 | Rejection of a patent application after its publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20121024 |