共查询到10条相似文献,搜索用时 62 毫秒
1.
海底底质分类对于海洋资源开发与利用、海洋科学研究等多方面具有重要意义。目前,多波束探测是实现大范围海底底质分类的有效手段之一,通常基于多波束反向散射强度提取角度响应(AR)特征及反向散射图像特征进行底质分类。由于特征来源较单一,分类器结构简单,往往分类精度不高。为此,本文提出了一种基于深层卷积神经网络(CNN)的多波束海底底质分类方法。除反向散射强度特征外,还利用地形特征,将特征向量转换为波形图,再输入卷积神经网络进行训练和分类。试验对比不同特征组合以及BP网络、支持向量机(SVM)、K近邻(KNN)、随机森林(RF)4种常规分类器,本文模型算法总体分类精度达到94.86%,Kappa系数为0.93,精度具有明显优势,效率也比较高。表明该方法有效利用两种数据类型所蕴含的海底底质信息,充分发挥卷积神经网络权值共享、高效率等特点,实现高分辨率海底底质分类,可对海底底质分类研究提供参考。 相似文献
2.
海底底质分类反向散射强度三维概率密度法 总被引:2,自引:2,他引:0
反向散射强度随入射角变化信息蕴含海底底质特性,是多波束海底底质分类的重要数据源。目前,多波束海底底质分类主要提取平均反向散射强度随入射角的变化信息或基于声呐图像,没有综合考虑两者的相关信息。本文综合考虑平均反向散射强度随入射角变化信息及其概率密度分布,绘制三维概率密度图,提出了基于反向散射强度三维概率密度图的海底底质分类方法。实例计算结果表明:该方法能直观表达多波束条带覆盖区内不同海底底质类型的数量,有效判断不同海底底质类型的边界,实现海底底质类型的快速识别。 相似文献
3.
利用多波束反向散射强度角度响应曲线的底质特征参数提取算法 总被引:1,自引:0,他引:1
提出了一种基于多波束反向散射强度角度响应曲线的底质特征参数提取算法。根据多波束单ping反向散射强度数据的变化规律,给出了获取平均反向散射强度角度响应曲线的ping数确定方法;分析角度响应曲线与底质类型的相关性,由于曲线上残留误差难以消除,采用容差性强的非线性最小二乘拟合算法,结合Hellequin参数模型,提取底质相关特征参数。实例计算结果表明,提取的特征参数在抑制多波束海底反向散射强度误差影响的基础上,有效保留了底质类型相关的反向散射强度随入射角变化信息,保证了多波束海底底质分类的能力及可靠性。 相似文献
4.
5.
提出结合ReliefF算法、遗传算法(Genetic algorithm,GA)和支持向量机(Support Vector Machine,SVM)的高分辨率遥感影像建筑物目标识别特征选择算法。首先使用ReliefF算法进行初步的特征筛选,然后将SVM参数和特征子集编码到GA染色体中,以SVM识别精度构建适应度函数,同时优化特征子集和SVM参数。实验结果表明,将文中算法应用于建筑物目标识别,能以较小的特征子集和较短的优化时间达到较高的识别精度。 相似文献
6.
基于改进SVM算法的高分辨率遥感影像分类 总被引:1,自引:0,他引:1
《国土资源遥感》2016,(3)
针对面向对象高分辨率遥感影像分类样本维数多、数据量大的特点,提出了一种简单的支持向量机(support vector machine,SVM)改进算法。首先对原始样本数据进行主成分分析(principal component analysis,PCA)实现降维,对降维后的样本数据进行SVM分类器训练,利用网格搜索法得出降维数据的最佳参数;以此参数作为基准,对基于原始样本数据的SVM分类器参数搜索范围进行重新设定,从而快速获取原始样本数据的最佳SVM分类器参数,并实现分类。利用2景World View2高分辨率影像分别对城市土地利用以及林木树种进行分类实验,比较分析传统SVM算法、仅基于PCA降维样本数据的SVM算法以及改进的SVM算法在分类精度与效率方面的差异。实验结果表明,改进的SVM算法能够快速有效地寻找最佳SVM分类器参数,并获得较高的分类精度。 相似文献
7.
学习向量量化神经网络在多波束底质分类中的应用研究 总被引:5,自引:1,他引:5
利用多波束测深系统获取的反向散射强度数据,应用学习向量量化(learning vector quantization,LVQ)神经网络分类方法实现了对海底砂、砾石和基岩等底质类型的快速、有效的识别。通过比较,证明了该方法能较好地区分出不同海底底质类型。 相似文献
8.
高质量的海底声强图是多波束海底底质分类的基础。在系统分析了多波束声强图像中沿测船航迹灰度异常值和区域性明暗差异成因的基础上,提出了基于加权最小二乘估计的多波束声强数据归一化方法。实例计算结果表明:该方法在不损失原有强度变化信息的基础上,有效地抑制了声强图中灰度异常值对海底底质分类的影响,提高了区域底质分类的质量。 相似文献
9.
人工蜂群算法优化的SVM遥感影像分类 总被引:2,自引:0,他引:2
SVM分类器的参数设定对分类精度有着显著的影响,针对现有人工智能算法优化参数易陷入局部最优的现状,提出了一种基于人工蜂群算法改进SVM参数的遥感分类方法(ABC-SVM)。该方法模仿蜜蜂采蜜的行为,以训练样本的交叉验证精度代表蜜源的丰富程度,通过蜂群的分工协作搜索出最优蜜源(即SVM分类器最优参数),最终利用参数优化后的SVM分类器实现遥感影像的分类。本文先后比较了3种人工智能算法(包括人工蜂群算法优化的SVM(ABC-SVM)、遗传算法GA(Genetic Algorithm)优化的SVM(GA-SVM)、粒子群算法PSO(Practical Swarm Optimization)优化的SVM(PSO-SVM))在UCI标准数据集上的分类精度和效率,以及3种人工智能算法优化的SVM算法与未经优化参数的SVM算法在遥感影像上分类的差异。结果显示:(1)在利用UCI数据集测试3种人工智能算法优化的SVM算法的结果中,ABC-SVM显示出更高的分类精度、更高的适应度和更快的收敛速度;(2)在利用遥感影像验证4种分类算法精度的结果中,人工智能算法优化后的SVM比未经参数优化的SVM算法的分类精度更高;其中,ABC-SVM分类精度最高,分别比遗传算法、粒子群算法的结果高1.67%、1.50%。 相似文献
10.
本文为验证SVM对高维特征的适应性和可靠性,针对不同特征提取方法与特征组合,以国产OMISⅡ传感器获得的北京昌平地区高光谱遥感据为例,对SVM分类器中特征维数对分类准确率的影响进行了试验,通过对主成分分析、最小噪声分离算法、相关系数分组后特征提取、导数光谱等的分析,表明SVM分类器的分类精度随着特征维数波动,其中主成分分析降维后提取的特征具有用于分类能够获得最高的准确率。通过与最大似然法和光谱角制图分类算法的比较,说明在同样的特征输入情况下SVM分类算法分类的准确率高于最大似然法和光谱角制图分类器。 相似文献