基于SVM的海底声纳图像底质识别*     

熊明宽  吴自银  李守军  罗孝文  唐秋华 《海洋通报》2012,31(4):409-414

对海底底质声纳图像分割,提取单元特征向量进行主成份分析,选取均值、标准差、对比度、相关系数、能量及同质性作为训练特征向量,优化支持向量机(SVM)参数.利用多分类 SVM 对砂、礁石、泥进行训练,有效、快速地分离出了3种底质类型,测试精度高于80%,表明该方法可有效用于海底底质声纳图像的识别和分类.  相似文献   

支持向量机方法在地震短期预测中的应用     

杨柳 《华北地震科学》2010,28(3):10-15

支持向量机方法是基于统计学习理论提出的一种机器学习方法,在处理小样本、非线性问题方面有着很强的优势。而地震的孕育发生过程是一个复杂的非线性动力学系统,地震数据时间序列的变化更呈现非线性、不规则等特征。本文系统地分析了天津及其周边地区多种前兆现象,选取反映2至3个月短期情况的前兆测项,使用支持向量机分类方法建立地震综合预测模型,初步结果表明这种方法在地震短期预测中有一定的应用前景。  相似文献   

基于不同窗口纹理特征的SVM土壤盐渍化信息提取方法与精度分析研究   总被引：3，自引：1，他引：2  

张飞  塔西甫拉提·特依拜  丁建丽  田源  依力亚斯江·努尔麦麦提  哈学萍 《干旱区地理》2009,32(1)

以塔里木盆地北缘绿洲--渭干河-库车河三角洲绿洲为例,借助ENVI遥感软件,利用ETM+数据,探讨了该绿洲土壤盐渍化信息提取的方法.传统的遥感图像分类方法多数在解决问题上存在精度不高、分类效率较低、不确定性强的缺陷,所以,选择好的分类方法对于提取盐渍化信息是至关重要的.近年来,将SVM应用于遥感图像分类已成为新的发展趋势.文章提出了基于纹理特征的支持向量机(Support Vector Machine,SVM)的分类方法,得出以下结论:分别结合3×3,5×5,7×7,9×9,11×11,13×13窗口纹理特征和光谱的SVM分类精度都很高,达到93%以上.并且在验证分类精度时,发现结合光谱和9×9窗口纹理信息的SVM分类的结果更符合实际情况.所以说加入纹理特征后使得光谱信息比较接近的3类地物(重度、中度、轻度盐渍地)的区分性增大,从而使精度提高.因此,基于纹理特征的SVM分类方法更有利于遥感图像分类和盐渍化信息监测,是地物遥感信息提取的有效途径.  相似文献   

基于SVM测井数据的火山岩岩性识别——以辽河盆地东部坳陷为例   总被引：2，自引：1，他引：1       下载免费PDF全文

牟丹  王祝文  黄玉龙  许石  周大鹏 《地球物理学报》2015,58(5):1785-1793

辽河盆地东部坳陷储集层由火山多期喷发形成,岩相岩性复杂,岩性以中、基性火山岩为主.本文将火山岩的岩心及岩矿鉴定资料与测井数据进行整合,应用测井数据建立支持向量机(SVM)两分类和多分类岩性识别模式.首先,深入研究支持向量机二分类及"一对一"、"一对多"和有向无环图三种经典多分类算法的基本原理及结构;然后,总结研究区域火山岩岩石特征,分析测井数据的测井响应组合特征,选择40口井中岩心分析和薄片鉴定资料完整、常规五种测井曲线(RLLD,CNL,DEN,AC,GR)齐全的1200个测井数据作为训练样本,构造三种支持向量机岩性识别模式;最后,对4测试井中800个测井数据进行岩性识别,识别结果与取心段岩心描述和岩心/岩屑薄片鉴定资料对比,实验结果表明有向无环图更适合辽河盆地火山岩的识别,识别正确率达到82.3%.  相似文献   

耦合PCA-SVM算法的金矿矿床规模预测分析研究     

刘承照  韩帅  李明超  朱月琴 《地学前缘》2019,26(4):138-145

判断矿床(点)的类型是矿床勘探中的重要内容,传统预测金矿成矿规模的方法不仅耗时耗力,而且所需的经济成本较大。为提高矿床规模的勘探效率和准确度,揭示元素与金矿成矿规模的潜在联系,文中提出了耦合主成分分析(principal component analysis,PCA)和支持向量机(support vector machine,SVM)算法的预测分析PCA-SVM(principal component analysis-support vector machine)方法。该方法先通过主成分分析提取数据中的主要特征,再将主要特征带入支持向量机算法,从而训练出最优分类器以预测金矿成矿规模。文中共使用了3 812个金矿样本数据用于学习训练和预测分析,训练准确率为92.3%,测试准确率为88.7%,分别比直接使用支持向量机算法高出14.3%和17.1%。基于PCA-SVM的预测模型,不仅消除了人为主观因素的影响,而且有效提高了勘探过程中矿床预测的准确率和矿床勘探的效率,为地质勘查工作提供依据。  相似文献   

面向对象的航空高光谱图像混合分类方法     

李雪轲  王晋年  张立福  杨杭  刘凯 《地球信息科学学报》2014,16(6):941-948

传统的高光谱分类通常仅考虑单一像元的光谱或纹理特征,分类后容易出现地物破碎的现象。鉴于此,本文提出了一种面向对象的混合分类方法,将面向对象的分割结果与传统的像元级分类结果进行有机融合,充分利用对象的光谱特征和空间结构特征。在此基础上,引入了2种具体的混合分类方法,即多尺度分割的SVM分类和多波段分水岭分割的SVM分类。前者将地物光谱的可变性进行弱化处理,转化为多尺度均质对象单元进行分类;后者融入了地物的空间信息和形态学特征,对分割得到的同质区域进行分类。将这2种分类方法应用于航空高光谱数据,实验结果表明：面向对象的混合分类方法的总体精度分别为92.63%和96.13%,与传统的像元级分类法相比,分别提高了10.14%和13.64%,有效地解决了分类后地物的破碎现象。  相似文献   

基于MODIS谱纹信息融合的海洋溢油检测方法     

苏伟光  苏奋振  杜云艳 《地球信息科学学报》2014,16(2):299-306

鉴于仅依赖光谱特征或纹理特征的传统溢油检测算法的信息检测精度较低的问题,本文提出了一种新的光学遥感数据的谱纹海面溢油检测方法。谱是光学遥感数据的油膜敏感波段图像,纹是利用灰度共生矩阵计算获得的图像纹理特征,将这些特征相结合,引入支持向量机方法（Support Vector Machine,SVM）,建立谱纹海面溢油检测模型。本文以2006年渤海溢油事故为例,利用中等分辨率成像光谱仪MODIS的光学遥感数据对溢油进行检测,MODIS的第2波段为油膜敏感波段,所以,第2波段图像即为选取的谱特征,经过对各个纹理特征的分析得到,均值、对比和相关3个特征量可作为溢油提取的纹理特征。检测结果的总体精度达91.23%。试验结果表明,将MODIS图像的光谱特征和纹理特征相结合,可有效地对渤海海洋油膜信息进行检测,并具有很强的抑制噪声能力。  相似文献   

公路软基沉降预测的支持向量机模型   总被引：7，自引：1，他引：6  

黄亚东  张土乔  俞亭超  吴小刚 《岩土力学》2005,26(12):1987-1990

提出了基于支持向量机（SVM）模型对公路软基沉降进行预测的一种新方法,工程实例预测结果表明,在同样的训练均方误差下,SVM模型预测能力要优于BP神经网络模型,同时该模型能够综合利用分级加载过程中的沉降观测数据作为训练样本集,比仅依靠预压期内部分实测沉降数据的双曲线法更能反映地基土的变形趋势。因此,将建立的SVM模型应用于公路软基沉降预测能够更准确地反映实际沉降过程  相似文献   

基于?－SVR和GA的初始地应力场位移反分析方法研究     

余志雄  周创兵  陈益峰  李俊平 《岩土力学》2007,28(1):151-156

基于一种改进的支持向量机（?－SVR）和改进的遗传算法（GA）,提出一种初始地应力场位移反分析方法。该方法通过正交设计方法安排较少次数的正分析方案,用?－SVR对正分析中测点位移值与参数构成的样本集进行学习,建立参数取值与观测点测值的非线性隐式方程;采用确定性或随机反分析的思路确定反分析的优化目标函数,并利用GA搜索最优参数取值。采用?－SVR方法建立的参数取值与位移量测点测值的非线性隐式方程,能够以很高的精度拟合和预测不同参数取值时的观测点测值,因此,可以用该隐式方程代替正分析,减少计算量;采用改进的GA方法能够准确搜索到最优参数;搜索到的最优参数值与理论值相当吻合。算例表明,基于?－SVR和GA的初始地应力场位移反分析方法是一种行之有效的初始地应力场位移反分析方法,可以广泛用于初始地应力场确定性反分析和随机反分析。  相似文献   

改进的支持向量机方法在矿山地质环境质量评价中的应用     

卢文喜  郭家园  董海彪  张宇  林琳 《吉林大学学报(地球科学版)》2016,46(5):1511-1519

传统支持向量机（SVM）评价模型中网格搜索法对参数的选择受到主观因素的影响,选用粒子群算法对SVM模型进行优化,并应用改进的SVM模型（PSO-SVM）对长吉图经济区135个矿山进行地质环境质量评价。PSO-SVM模型的评价结果与综合评价结果的相同率（注：该相同率是指两个评价结果相同的个数占所有评价样本数的百分比）达到95.56%,与SVM模型评价结果的相同率达到91.11%。结合研究区实际情况并分析三种评价结果得出,PSO-SVM模型的评价结果更符合实际情况。改进的支持向量机方法能够避免人为因素影响,提高矿山地质环境评价水平,在评价中具有可行性和有效性。基于改进的支持向量机方法评价结果表明,研究区矿山地质环境受矿山开采等人为活动的影响,54.1%的矿山遭受严重破坏（III级）,25.9%为中度破坏（II级）。评价结果可为研究区矿山环境恢复治理提供决策支持。  相似文献