基于SVM的导航星表构造   总被引：1，自引：1，他引：0  

张锐  江刚武  姜挺 《测绘科学技术学报》2007,24(3):196-199

导航恒星提取一般采用星等过滤方法MFM(Magnitude Filtering Method).但是MFM方法存在两个明显的缺陷:若星等阈值太高,导航星表冗余度高;反之,导航星表出现视场(FOV)空洞.支持向量机SVM(Support Vector Machine)作为一种可训练的机器学习方法,依靠小样本学习后的模型参数进行导航星提取,可以得到分布均匀且恒星数量大为减少的导航星表.利用SAO星表进行了实验,并对导航星表内恒星的分布情况作了统计.实验证明,SVM作为导航星提取算法具有很好的应用前景.  相似文献   

东营凹陷红层地球物理特征分析及有利储层预测     

张军华  刘震  李琴  任雄风  赵杰 《吉林大学学报(地球科学版)》2021,51(4):1256-1267

东营凹陷深部储层是干燥沉积环境下的一套红层,其中的孔一中储层厚度大、钻遇井少,具有较大勘探潜力。但目标区地层结构复杂,埋深从南到北逐渐变大,井震关系一致性不好,储层预测有很大难度。通过综合分析井震特征、优选地震属性、建立井震厚度关系,使用单一最佳属性法、多元线性回归法、基于学习型的非线性储层预测法,得出以下认识与结论：1）研究区红层具有薄互层典型特征,频率较上覆和下伏地层高,地震反射具有中振、低连、低信噪比特征;2）新研发的基于优势频率的流度因子具有最好的厚度相关性,最大振幅、均方根振幅、过零点数、能量半时也较好;3）无论是多元线性回归还是非线性支持向量机,优化的五属性储层预测效果要好于七属性;4）基于交叉验证的支持向量机方法十分适合深部储层小样本储层厚度预测,效果好于单一最佳属性法和多元线性回归法。  相似文献   

Prediction of ultimate axial load-carrying capacity of piles using a support vector machine based on CPT data     

《Computers and Geotechnics》2014

The support vector machine (SVM) is a relatively new artificial intelligence technique which is increasingly being applied to geotechnical problems and is yielding encouraging results. In this paper SVM models are developed for predicting the ultimate axial load-carrying capacity of piles based on cone penetration test (CPT) data. A data set of 108 samples is used to develop the SVM models. These data were obtained from the literature containing pile load tests and each sample contains information regarding pile geometry, full-scale static pile load tests and CPT results. Moreover, a sensitivity analysis is carried out to examine the relative significance of each input variable with respect to ultimate strength prediction. Finally, a statistical analysis is conducted to make comparisons between predictions obtained from the SVM models and three traditional CPT-based methods for determining pile capacity. The comparison confirms that the SVM models developed in this paper outperform the traditional methods.  相似文献   

Sentinel-2与Landsat 8数据组合下的多特征冬小麦面积提取     

王晓晓  韩留生  杨骥  李勇  张大富  孙广伟  范俊甫 《测绘通报》2022,(3):111-115

遥感卫星的波段设置、信噪比及传感器观测角度等因素都会影响作物提取精度。为充分挖掘与发挥Sentinel-2卫星多光谱成像仪(MSI)与Landsat 8陆地成像仪(OLI)在冬小麦信息提取方面的优势,本文以商河县为研究区,基于两数据源的光谱特征、纹理特征、植被指数特征组合数据,利用随机森林(RF)与支持向量机(SVM)对冬小麦进行提取。结果表明:基于单一影像的最优Kappa系数与最优OA分别为0.89和95.13%,基于组合数据源的最优Kappa系数为0.92,最优OA为95.28%,两数据源组合的精度优于单一数据源提取精度;数据组合效果与分类器的性能有关,RF的Kappa系数相对于SVM分别提升0.04、0.20和0.11,OA分别提升2.41%、11.31%和6%,RF对冬小麦提取精度优于SVM。本文研究结果对于构建中高分辨率影像组合的典型农作物分类提取体系具有重要意义。  相似文献   

基于小波核双重加权SVM模型的蓝藻水华识别与变化检测     

潘琛 《上海国土资源》2013,(4):38-43

以淀山湖为研究区域,利用Landsat系列遥感影像,提出了归化蓝藻指数的构建方法,结合波段组合和Gabor滤波器构建多特征空间,并基于变精度粗糙集和灰色关联决策相结合的方法进行特征空间的优化。在此基础上,采用小波核双重加权SVM分类模型,得到研究区蓝藻水华空间分布格局的识别与检测结果。以误差矩阵证明此分类模型能够较准确地识别出蓝藻水华覆盖区,满足环境调查的要求。研究成果为淀山湖蓝藻水华的防治和水生生态系统的保护提供了科学依据。  相似文献   

天空云量预报及支持向量机和神经网络方法比较研究   总被引：11，自引：2，他引：11  

熊秋芬  胡江林  陈永义 《热带气象学报》2007,23(3):255-260

使用支持向量机和人工神经网络两种方法,分别建立了天空云量的预报模型。利用2001年5月1日～2004年12月31日的武汉市地面、高空观测值及欧洲中心的24小时预报场等资料,通过按不同比例随机抽取样本进行交叉验证的方法,分析了SVM和ANN模型的预报能力和鲁棒性;然后再用全部样本资料建立预报模型,来预报2005年1月1日～5月31日武汉市天空云量。交叉验证和实例预报的结果显示：虽然SVM和ANN模型都表现了较好的预报能力,但SVM的预报能力高于ANN方法,且在计算速度上有ANN无法比拟的优势。  相似文献   

基于两种机器学习方法分析东海北部海域三疣梭子蟹(Portunus trituberculatus)时空分布     

栗小东  王晶  杨春蕙  王迎宾 《海洋与湖沼》2021,52(5):1284-1292

为了解东海北部海域三疣梭子蟹(Portunustrituberculatus)资源时空分布规律,探索更适合三疣梭子蟹资源量预测的模型方法,根据2006—2007年共四个季度在东海北部海域的底拖网调查数据,运用梯度提升回归树(gradientboostingregressiontree,GBRT)和支持向量机(supportvector machine,SVM)这两种机器学习方法,分析了三疣梭子蟹时空分布与环境因子之间的关系,同时使用方差解释率(VE)、相对均方根误差(RMSE)以及决定系数R2等指标对不同模型的拟合效果、预测性能以及稳定性等进行了比较,选择其中最佳模型对东海北部海域三疣梭子蟹资源分布进行预测。结果显示, GBRT模型的拟合效果相对优于SVM模型,两种模型的拟合结果均显示底层海水盐度(SBS)为影响三疣梭子蟹资源分布最为显著的环境因子。GBRT模型的预测性能较高且模型较为稳定,其预测结果显示夏季的资源量高于其他三个季节,且各季节所研究海域的东南部均存在一个资源分布的低值区。研究结果预期可为三疣梭子蟹资源分布及资源量预测新方法的探索和分析提供技术指导。  相似文献   

基于支持向量机的非线性AVO反演   总被引：4，自引：2，他引：2       下载免费PDF全文

邴萍萍  曹思远  路交通 《地球物理学报》2012,55(3):1025-1032

本文提出了一种新的AVO非线性反演方法,即利用支持向量机来求解AVO非线性反演问题.文中先对支持向量机的原理进行了阐述,然后建立了适合AVO反演的支持向量机模型.最后利用该方法对模型数据和实际资料进行了反演计算,反演结果表明,该方法在没有牺牲反演效果的情况下较好的解决了传统反演方法所具有的局限性,可以直接从合成记录中提取地层的弹性参数,反演速度快、稳定性好.  相似文献   

一种基于多特征的高光谱遥感图像分类方法     

刘峰  龚健雅 《地理与地理信息科学》2009,25(3)

提出在多维特征空间中以互信息为评价指标进行特征选择,在特征子集中应用支持向量机(SVM)分类器实现图像监督分类的方法.首先提取图像的光谱、纹理和颜色特征,得到多特征的高维特征空间,然后用最大相关和最小冗余的互信息作为评价标准,用10-fold交叉验证误差率选择特征子集,最后用基于径向基函数的SVM实现图像的分类.实验表明,该方法能明显提高图像分类的精度.  相似文献   

A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series   总被引：18，自引：0，他引：18  

Wen-Chuan Wang  Kwok-Wing Chau  Chun-Tian Cheng  Lin Qiu 《Journal of Hydrology》2009,374(3-4):294-306

Developing a hydrological forecasting model based on past records is crucial to effective hydropower reservoir management and scheduling. Traditionally, time series analysis and modeling is used for building mathematical models to generate hydrologic records in hydrology and water resources. Artificial intelligence (AI), as a branch of computer science, is capable of analyzing long-series and large-scale hydrological data. In recent years, it is one of front issues to apply AI technology to the hydrological forecasting modeling. In this paper, autoregressive moving-average (ARMA) models, artificial neural networks (ANNs) approaches, adaptive neural-based fuzzy inference system (ANFIS) techniques, genetic programming (GP) models and support vector machine (SVM) method are examined using the long-term observations of monthly river flow discharges. The four quantitative standard statistical performance evaluation measures, the coefficient of correlation (R), Nash–Sutcliffe efficiency coefficient (E), root mean squared error (RMSE), mean absolute percentage error (MAPE), are employed to evaluate the performances of various models developed. Two case study river sites are also provided to illustrate their respective performances. The results indicate that the best performance can be obtained by ANFIS, GP and SVM, in terms of different evaluation criteria during the training and validation phases.  相似文献