共查询到19条相似文献，搜索用时 125 毫秒
1.
模糊特征的选择影响着模糊分类的结果.从大量模糊特征中选择出有效特征进行分类,存在着一定的难度.粒子群优化算法(PSO)是基于群体智能的新型进化计算技术,具有自适应、自组织等智能特性,具有强大的寻找最优解的能力.将离散二进制PSO用于模糊特征选择,实现了基于PSO的模糊特征自适应选择方法,并通过航空和卫星遥感影像的模糊分... 相似文献
2.
高光谱数据的空间分辨率普遍偏低,混合像元分布广泛,故模糊分类方法常用于此类型数据的信息提取。针对模糊分类的精度常受限于特征维数和模糊样本选取等问题,提出了基于随机森林(random forest,RF)算法的高维模糊分类方法。首先将RF算法用于特征选择和模糊样本获取,然后在低维特征空间中利用模糊样本进行模糊分类,通过2步分类、遵循假设前提一致原则,实现RF和模糊分类2种分类器的融合;并通过不同样本、不同实验区和分区优化前后的3个实验(包括20余次对比实验、60多次子实验),验证了该方法不仅提高了模糊分类的精度,具有分类的有效性和可推广性,而且具有可优化性和对原始样本质量的鲁棒性。 相似文献
3.
遥感影像的复杂性给影像增强处理带来了困难。非完全Beta函数增强方法具有理想的增强效果,但是,其参数的合理选取是算法的关键与难点。粒子群优化算法(PSO)是基于鸟群群体智能的新型进化计算技术,具有自适应、自组织等智能特性,具有强大的寻找最优解的能力。这里将PSO用于Beta函数参数的自适应选取,实现了基于PSO的非完全Beta函数增强方法,并通过航空和卫星遥感影像的增强实验,验证了该方法的有效性。 相似文献
4.
遥感影像的复杂性给影像增强处理带来了困难.非完全Beta函数增强方法具有理想的增强效果,但是,其参数的合理选取是算法的关键与难点.粒子群优化算法(PSO)是基于鸟群群体智能的新型进化计算技术,具有自适应、自组织等智能特性,具有强大的寻找最优解的能力.这里将PSO用于Beta函数参数的自适应选取,实现了基于PSO的非完全Beta函数增强方法,并通过航空和卫星遥感影像的增强实验,验证了该方法的有效性. 相似文献
5.
模糊Isodata聚类分析在遥感图像分类中的应用研究 总被引：1，自引：0，他引：1
针对模糊模式识别的原理,根据遥感图像的特征,提出了基于模糊Isodata聚类分析的遥感图像分类方法。研究结果表明：该方法具有简单、快速和有效的特点,从而拓宽了模糊模式识别的应用范围。 相似文献
6.
随着对GIS中的空间对象模型和自然地理特征表达的研究深入,模糊空间对象被提出。针对模糊空间对象表达的特点,提出了一种基于模糊神经网络的模糊空间对象生成方法。该方法将模糊技术与神经网络相结合,利用神经网络的学习能力调整模糊隶属函数和模糊规则,使系统具备自适应的特性。实验表明,这种基于模糊神经网络的生成模糊空间对象的方法比传统方法大大的提高了成果的精度。 相似文献
7.
提出了一种基于自适应谐振理论建立起来的自组织模糊ARTMAP神经网络分类器。分析了ART神经网络的结构和工作原理,给出模糊ARTMAP神经网络分类的具体算法,并将其运用到TM遥感影像分类的实验中。结果表明模糊ARTMAP神经网络分类器的速度快,精度高,比常用的BP网络具有更好的性能。 相似文献
8.
随着对GIS中的空间对象模型和自然地理特征表达的研究深入,模糊空间对象被提出。针对模糊空间对象表达的特点,提出了一种基于模糊神经网络的模糊空间对象生成方法。该方法将模糊技术与神经网络相结合,利用神经网络的学习能力调整模糊隶属函数和模糊规则,使系统具备自适应的特性。实验表明,这种基于模糊神经网络的生成模糊空间对象的方法比传统方法大大的提高了成果的精度。 相似文献
9.
基于特征的模糊神经网络遥感图像目标分类识别 总被引：1，自引：0，他引：1
特征是图像处理中用于辨识目标的最基本属性.提出了利用模糊神经网络方法,针对舰船的几何特征、矩特征和纹理特征进行舰船目标识别处理.首先简单地描述了几何特征、矩特征尤其是Hu矩特征、一阶纹理特征和二阶纹理特征.然后分别对仿真数据、卫星观测数据中的舰船目标,以及自动检测处理获取的舰船目标的几何特征、Hu机特征和纹理特征进行了提取和分析.模糊神经网络方法可以综合模糊集理论和神经网络方法的优势,有效地实现基于特征的图像目标分类识别处理.文章首先描述了一种主从神经元结构的模糊神经网络分类识别方法,然后利用该方法对大型舰船进行分类识别,包括基于单类舰船特征的分类识别和基于多源(时相)数据融合的分类识别.实验结果表明,基于大型舰船的几何特征、矩特征和纹理特征,利用模糊神经网络方法可以实现对大型舰船目标的有效分类识别.通过多源数据融合处理,可以改善分类识别效果. 相似文献
10.
自适应模糊规则分类方法及在TM土地覆盖分类中的应用研究 总被引：1，自引：1，他引：0
根据自组织网络和模糊逻辑推理,实现土地覆盖自适应模糊规则分类方法。该方法通过网络的节点和权值提取出模糊规则,调整网络中节点个数(即相应增加规则节点数)和权值向量,使模糊规则自动生成,并利用模糊逻辑推理,完成TM土地覆盖分类。对拒分类的像元,自适应增加K值使其可分。该方法所得分类精度及Kapp系数与最大似然分类方法结果相比分别提高了2.7%和2.9%;与自组织网络相比,总精度相差不大,而Kapp系数低1%。实验证明,如何提取和表示非光谱知识,从而解决类别混淆等问题,是提高自适应模糊规则分类性能的关键 相似文献
11.
粒子群优化算法是基于群智能的随机全局优化方法,它源于对鸟群简化社会系统的模拟。为了提高标准粒子群优化算法的收敛性能,将生物免疫系统的记忆能力和多样性引入标准粒子群优化算法,提出一种免疫粒子群优化算法。在提取纹理样本Laws纹理能量模板特征、小波特征等纹理特征的基础上,提出针对分类问题的粒子表达方法和群体寻优策略,实现了基于免疫粒子群算法的纹理分类。实验结果表明,与标准粒子群优化算法相比,免疫粒子群优化算法在获取训练样本类别中心时具有较好的收敛性能,并且基于该算法的影像纹理分类具有较高的分类精度。 相似文献
12.
将微粒群和支持向量机用于耕地驱动因子选择的研究 总被引：2，自引：0，他引：2
结合微粒群算法(PSO)具有执行速度快、受问题维数变化影响小的优点及支持向量机算法(SVM)结构风险最小化原理,构建了基于离散二进制微粒群(BPSO)与支持向量机的耕地驱动力因子选择方法,使用特征子集中确定的特征来训练支持向量回归机,用适应度函数来评价回归机的性能,指导BPSO的搜索。实验表明,该方法能有效地提取出耕地驱动因子的特征子集,从而降低了指标的维数,保留了关键信息,以获得知识的最小表达。 相似文献
13.
14.
一种自适应的PSO粒子滤波人脸视频跟踪方法 总被引：1，自引：0，他引：1
提出了一种自适应的PSO粒子滤波人脸视频跟踪算法。本算法充分利用粒子群算法的寻优能力,使粒子向真实值的后验概率分布移动,同时引入小生境(niche)技术加以改进,构造出多种群特性,使目标分布呈现非线性非高斯特性的多模分布,由此提高对动态系统中最优解动态变化的自适应能力。实验表明,在简单背景匀速运动、复杂背景匀速和变速运动的人脸视频跟踪中,和传统粒子滤波、普通PSO粒子滤波相比,具有良好的跟踪精度和稳定性。 相似文献
15.
针对定位、导航、授时、遥感、通信一体的天基信息实时服务系统对遥感信息高时间分辨率获取的需求,提出了基于改进粒子群优化（particle swarm optimization,PSO）算法的遥感卫星星座优化设计方法。基于6N和3+4P星座构型,以重访时间间隔作为优化目标,采用改进的PSO算法对星座优化模型进行求解,分别针对全球覆盖和区域覆盖任务进行了仿真对比试验。仿真结果表明,提出的方法适用于低轨遥感卫星星座设计,满足高时间分辨率要求。 相似文献
16.
为有效确定概率积分法预计参数,提高预计值的精度。将粒子群优化(PSO)算法和BP神经网络进行融合,采用改进的混合粒子群优化算法优化神经网络的权值和阈值。在分析概率积分法参数与地质采矿条件之间关系的基础上,建立了基于PSO优化BP神经网络的概率积分法预计参数的优化选择模型。以我国典型的地表移动观测站资料为例,将计算结果与实际值进行了对比分析,并与文献[1]中改进BP算法进行了比较。结果表明,PSO-BP神经网络方法用于概率积分法预计参数的选取是可行的,收敛速度更快,计算精度更高。 相似文献
17.
常规高光谱影像逐像素分类往往没有考虑空间相关性,分类结果未体现地物的空间关联和分布特征。为了在分类中充分利用空间特征,利用聚类信息并结合隐马尔可夫随机场模型讨论了高光谱遥感影像光谱-空间分类方法。首先,在不同特征提取方法（最小噪声分离、独立成分分析和主成分分析）下,使用不同聚类方法（k-均值、迭代自组织分析算法和模糊c-均值算法）借助隐马尔可夫随机场获取优化的分割图;然后,采用4连通区域标记法对分割区域标记生成图像对象,并根据支持向量机的逐像素分类结果采用多数投票法对图像对象进行分类;最后,借助凹槽窗口邻域滤波技术改进分类结果,削弱“椒盐”现象。该方法综合了监督分类和非监督分类的优势,通过聚类引入地物空间相关性信息,通过隐马尔可夫随机场引入上下文特征,较好地弥补了单纯基于光谱信息分类的不足。 相似文献
18.
本文首先针对标准粒子群优化算法容易陷入局部最优的缺点,采用动态自适应调节策略,使得粒子的惯性权重随群体聚集程度而适时变化,从而调整粒子群搜索的速度和方向以跳出局部最优;然后将粒子群算法的全局搜寻能力和RBF网络的局部优化能力相结合,利用改进的粒子群优化算法优化RBF神经网络的关键参数;并将其应用于地理信息的预测,得到满意的结果。 相似文献
19.
A comparison between differential evolution (DE) and particle swarm optimization (PSO) in solving 1-D small-scale inverse scattering problems is presented. In this comparison, the efficiency of both aforementioned optimization techniques is examined for permittivity and conductivity profile reconstruction problems. The comparison is carried out under the same conditions of initial population of candidate solutions and number of iterations. Numerical results indicate that both optimization methods are reliable tools for inverse scattering applications even when noisy measurements are considered. In the particular case of small-scale problems investigated in this letter, DE outperforms the PSO in terms of reconstruction accuracy. This is considered an indicative result and not generally applicable. 相似文献