基于光谱特征的自适应子空间波段选择方法

针对现有波段选择方法无法依据感兴趣地物划分数据子空间及子空间划分容易受背景地物影响等问题,提出一种基于光谱特征的自适应子空间波段选择方法.利用感兴趣地物的光谱曲线,建立光谱自适应因子(SAF,Spectral Adaptive Factor);通过聚类划分子空间,在每个子空间内,利用J-M距离筛选类别可分性最大波段作为子空间最优波段,从而得到整个数据空间的最佳波段组合.利用AOTF (Acousto-Optic Tunable Filter)成像光谱仪数据与波段指数(BI,Band Index)和基于类间可分性最佳波段选择两种方法比较,SAF方法选择的最佳波段组合,包含信息量丰富,地物之间差异较大,且地物平均J-M距离大于另外两种方法.用最大似然法(maximum likelihood)对最佳波段组合进行分类,总体分类精度为96.8％,Kappa系数为0.894.结果验证了SAF方法的有效性和实用性.     

多光谱遥感之最佳波段选择

本文提出一种以提供最大信息量为准则的最佳遥感波段选择方法.由于不同波段信号之间存在较强的相关性, 因此本方法从地面主要目标的光谱特性出发, 计算出所有可能使用波段之间的全部相关系数.假设信号是近似正态分布的, 就可以从相关矩阵的行列式计算出每个波段的条件信息量.比较各种可能波段组合的信息量, 就可以找出最佳的波段组合.文中也介绍了一种比较简单的方法, 可以得到“准最佳”的波段选择.最后, 对遥感卫星设计时遥感波段的选择问题做了一些探讨.      

基于地物信息的高光谱遥感图像分类方法

利用主成分分析法滤除n维高光谱遥感图像中的大部分冗余信息,得到尽可能保留光谱信息的m维高光谱遥感图像,融合其地物空间分布信息,将m维高光谱遥感图像中的每一个像素点构建为一个2维谱-空信息向量。再利用主成分分析法法对m维高光谱遥感图像进行降维,得到q维融合地物空间分布信息与光谱信息的结果图。通过高斯混合模型预测聚类中心,基于改进的迭代自组织数据分析算法ISODATA(Iterative Selforganizing Data Analysis Techniques Algorithm)对高光谱遥感图像进行聚类,得到最终的分类结果。实验结果表明本方法的地物分类精度优于K-means、ISODATA和SVM方法,总体分类精度提升10.14%-13.99%,kappa系数提升3.2%-12.85%。     

核空间聚类在图像纹理分类中的简化算法

模糊c均值聚类已广泛应用于模糊模式识别领域,但对于线性不可分数据并不适用.在核方法中通过将输入数据经过非线性映射投影到高维特征空间来解决非线性分类的问题.将传统的模糊c均值聚类算法应用于核空间中,对线性不可分的样本进行了核空间聚类的分类实验,得到了正确的分类结果.由于图像分类中分类样本(对应图像像素)数目庞大,造成了核空间聚类算法中特征距离的计算量过大.因此,在核空间聚类的基础上,提出了对图像先进行过分割,再对过分割的图像块进行核空间聚类的方法,大大降低了高维空间特征距离计算的运算成本,并取得了良好的分类效果.      

基于改进FCM的北斗三频组合观测值选取

以北斗卫星导航系统三频双差为基础探讨了组合观测值及误差,针对以往采用聚类方法在研究GPS三频组合数据过程中的不足,提出了基于距离修正的增量模糊C均值算法.通过调节因子有效地修正了样本中心与聚类中心的距离,获得合理的隶属度,从而得到正确的分类;构造了基于距离修正的聚类有效性指标,自动获取最佳聚类数,避免了人为确定聚类数的不合理性;在此基础上引入增量的思想,数据增加时以原有的数据集为基础,根据阈值进行归类,不需要重新进行初始计算.通过矩阵变换法及实例验证了该方法的可行性和可靠性.     

遥感卫星多光谱图像模拟真彩色算法研究

地球资源遥感卫星ZY-1 02C和CBERS-04搭载的全色多光谱相机缺少蓝光波段,需要通过波段模拟方法首先生成蓝波段,进而合成模拟真彩色图像。根据多光谱数据特点,提出一种基于波段线性关系模型的模拟真彩色方法。首先用具有蓝色波段的多光谱数据作为参考图像进行回归分析,计算得到相关系数,将结果作为参数应用于待模拟图像生成蓝波段。然后按照地物类别进行单景图像局部区域颜色畸变矫正。最后按特定顺序合成模拟真彩色图像。试验表明,该算法简单快速,减少了偏色现象,能够获得较好的模拟效果。     

改进独立成分分析在高光谱图像分类中的应用

针对独立成分分析在使用常规数值求解时容易陷入局部最优解的问题,以及采用神经学习算法时神经元激活函数的限制问题,将遗传算法与独立成分分析相结合,并对模型进行改进,提出了适合于高光谱数据无监督分类的模型.该算法采用最大化非高斯性进行成分的统计独立性度量,利用四阶累积量-峰度作为遗传算法的适应度函数.在应用分析中,将该算法应用于推扫式高光谱成像仪(PHI,Push-broom Hyperspectral technique Imager)数据地物分类能够获得全局最优解,在没有先验信息情况下实现地物的精细分类;与传统高光谱无监督分类算法比较,表明该算法的适用性,并具有更高的分类精度和准确性.      

星下目标的光谱反射特性分析及云层的自动识别

本文着重讨论了遥感数据的实时分类和星载相机快门的自动关启问题.首先建立了计算各类目标景象亮度的物理模型,分析了大气等因素对遥感数据的影响及各类自然目标的光谱反射特性,计算了三十四种目标在九种大气条件下的亮度值.进而提出了识别植被、土壤、水、冰雪和云等五类目标的最佳波段和分类函数及分类流程图,得到了很高的分类精度.然后又特别讨论了云层和所有非云目标(包括混合目标)的分类问题,并用密度计测量了十张MSS卫星图片上的180个目标的亮度值.最后提出了云层开关的实现途径和系统设计的基本思想.      

基于抗噪声ICA的高光谱数据特征提取方法

特征提取是高光谱数据应用的一个重要环节,用于将高光谱数据中具有特殊性质的地物分离出来并去除冗余信息.提出了一种使用独立成分分析(ICA,Independent Component Analysis)进行高光谱遥感地物特征提取的方法.为了解决ICA对噪声过分敏感的问题,采用最大噪声分量(MNF,Maximum Noise Fraction)算法替代传统的主成分分析对数据作降噪处理,由MNF引出的不完全独立成分分析(UICA,Undercomplete ICA)在不牺牲特征提取能力的情况下能够获得很高的运算效率.给出了HYDICE和PHI的数据试验结果,分别测试了算法在时间效率和特征提取能力方面的性能,证明了该算法具有预期的性能.     

基于局部线性嵌入的高光谱影像特征提取算法

特征提取能够消除冗余信息,提高高光谱数据处理的精度和计算效率,是分类等分析必要的预处理手段.传统特征提取算法基于线性变换,无法准确描述高、低维特征空间的关系,因此采用一种新型非线性特征提取算法,即局部线性嵌入(LLE,Locally Linear Em-bedding),挖掘高光谱影像的本征信息.针对分类问题,使用训练样本类别属性修正距离矩阵,并借鉴LLE计算未知样本低维映射的方法求解测试样本的特征向量,实现监督局部线性嵌入(SLLE,Supervised Locally Linear Embedding).使用机载可见光/红外成像光谱仪数据,与3种分类算法结合进行测试,实验结果表明:SLLE优于线性特征提取算法,能够解决高光谱影像的小样本分类问题.     

试验模态分析最佳测试点选取方法的优化

作为有限元模型修正的重要依据,试验模态分析的结果受多方面因素的影响,其中很重要的一方面就是测试点的选取.基于目前试验模态分析中最常用的两种测试点选择方法——有效独立法（EI,Effective Independent）和模态动能法（MKE,Modal Kinetic Energy）,提出了一种新的测试点优化选择方法——有效独立-模态动能变异系数法（EI-CVMKE,Effective Independent-Coefficient Variance of Modal Kinetic Energy）.并提出了一种新的评估测试点选择方法优劣的准则——模态动能变异系数准则（CVMKE）.运用模态置信准则（MAC,Modal Assurance Criterion）、CVMKE和奇异值分解比（SVD ration,Singular Value Decomposition ratio）评价并比较了EI,MKE和EI-CVMKE的测试点优化结果.以印刷电路板作为算例,并通过实物模态试验验证,结果表明EI-CVMKE选取的测试点在考虑了截断模态线性独立的同时又具有较高的模态动能,有较强的抗噪声性能,在3种方法中最佳.      

Developing a dust storm detection method combining Support Vector Machine and satellite data in typical dust regions of Asia

Enhancing the dust storm detection is a key part for the environmental protection, human healthy and economic development. The goal of this paper is to propose a new Support Vector Machine (SVM)-based method to automatically detect dust storms using remote sensing data. Existing methods dealing with this problem are usually threshold-based that are of great complexity and uncertainty. In this paper we propose a simple and reliable method combining SVM with MODIS L1 data and explore the optimal band combinations used as the feature vectors of SVM. The developed method was evaluated by MODIS and OMI data qualitatively and quantitatively on three study sites located in the Arabian Desert, Gobi Desert and Taklimakan Desert, and it was also compared to three other traditional methods based on their accuracy, complexity, reliability and sensitivity to thresholds. The detection results demonstrated that the combination of (Band7 − Band3)/(Band7 + Band3) ((B7 − B3)/(B7 + B3)), Band20 − Band31 (B20 − B31), and Band31/Band32 (B31/B32) can detect the dust storms more precisely than other individual bands or their combination. The comparison among those cases indicated that the proposed automatic method exhibited an advantage of minimizing the uncertainty and complexity, which were the limits of defining thresholds based on the threshold-based methods. The conclusions can provide references for studies that focus on statistical-based dust storm detection.     

Android恶意软件检测低冗余特征选择方法

针对Android恶意软件检测特征选择中,对类间具有相同频率分布的特征过度关注而导致特征冗余问题,提出了一种Android恶意软件检测低冗余特征选择方法。利用Mann-Whitney检验方法选择出存在频率分布偏差的特征;通过外观比率间隔算法量化偏差程度和特征出现频率剔除低偏差和整体软件中低频使用的特征;结合粒子群优化算法和分类器检测效果得到最优特征子集。使用公开数据集DREBIN和AMD进行实验,实验结果显示,在AMD数据集上选择出了294维特征,进行特征选择后6种分类器的检测准确率提高了1%~5%,在DREBIN数据集上选择出了295维特征,少于4种对比方法,且进行特征选择后6种分类器的检测准确率提高了1.7%~5%。实验结果表明,所提方法能够降低Android恶意软件检测中特征的冗余性,提升恶意软件的检测准确率。      

航空发动机性能参数预测方法

航空发动机性能参数预测对于发动机的视情维修具有重要的意义.为了提高预测精度,在分析发动机性能参数数据特点的基础上,提出了一种新的应用于此领域的组合预测模型.首先利用小波变换将原始数据分解为不同尺度上的几组子序列,根据各子序列的特点分别选用自回归滑动平均(ARMA,Autoregressive Moving Average)模型或求和自回归滑动平均(ARIMA,Autoregressive Integrated Moving Average)模型进行预测,然后将所有预测结果合成,得到最终预测结果.通过仿真实验,验证了该组合模型提高短期和中长期预测精度的有效性,并分析了小波分解层数对于预测精度的影响.      

Optimum spectral bands for land cover discrimination

An experiment was undertaken to select the optimum spectral bands for the discrimination of land use/cover for proposed Indian Remote Sensing Satellite. A feature selection method was used for the discrimination analysis on the multiband data collected by Bendix 11-channel Modular Multiband Scanner over Tirupati test site of Chittoor district, Andhra Pradesh, South India. Of the various combinations of bands analysed, the optimum combination of four bands was defined as that one which provided the greatest divergence distances to discriminate the specific land covers in the test sites. On the basis of the above studies the optimum bands so chosen are 0.49–0.54 μm, 0.62–0.66 μm, 0.66–0.70 μm and 0.77–0.86 μm.     

Non-linear methods in remotely sensed multispectral data classification

The aim of this research is to develop an effective approach being able to deal with the stochastic nature of remote sensing data. In order to achieve this objective it is necessary to structure the methodological knowledge in the area of data mining and reveal the most suitable methods for the prediction and decision support based on large amounts of multispectral data. The idea is to establish a framework by decomposing the task into functionality objectives and to allow the end-user to experiment with a set of classification methods and select the best methods for specific applications. As a first step, we compare our results from Bayesian classification based on non-parametric probability density estimates of the data to the results obtained from other classification methods. Tree scenarios are considered, making use of a small benchmark dataset, a larger dataset from Corine land cover project for Bulgaria and analyzing different features and feature selection methods. We show that the theoretically optimal Bayesian classification can also achieve optimal classification in practice and provides a realistic interpretation of the world where land cover classes intergrade gradually.     

信息缺失的航空发动机传感器数据重构

为处理传感器数据缺失问题,利用子空间表示系统演化特征,提出了基于极化增量矩阵填充(PIMC)的航空发动机传感器数据的在线重构模型。该模型通过历史数据获得当前的数据特征表示,并用新增的数据不断更新子空间以跟踪并表示数据发展特征。将本文模型用于仿真数据进行验证,重构结果和无噪数据的归一化均方误差(MSE)均小于1×10-5,实验结果显示本文模型对于航空发动机传感器数据重构有很好的应用价值,对缺失数据和噪声是鲁棒的。      

基于道路特征信息的车道结构化解析

高速道路动态执法要求车道检测算法能够结构化解析道路,但是基于传统手工设计特征的车道检测算法准确率和召回率不足,而基于深度学习的算法又对计算资源要求太高,因此提出基于道路特征信息的车道结构化解析算法。利用边缘点的梯度统计信息筛选Hough空间的候选点,用动态规划的方法在剩余的Hough空间候选点中寻找最合理的车道线组合,能够在较少计算资源的平台上准确地检测到道路上的全部车道。在自有数据的检测实验中,所提算法能够准确定位结构化和非结构化道路;在对比实验中,所提算法在准确率、召回率和计算速度上均比同类算法有所提高。      

改进粒子群优化的卫星导航选星算法

为提高选星算法的性能,提出一种基于人工鱼群算法的粒子群优化（PSO）选星算法。该算法利用人工鱼群算法良好的全局收敛特性,克服了粒子群优化算法易陷入局部最优的缺点。将每种卫星组合看作空间中的一个粒子,选取几何精度因子（GDOP）作为适应度函数。利用所提算法更新粒子自身位置,优化卫星组合与几何精度因子。利用实际数据对所提算法进行验证和对比,结果表明:改进的选星算法在保障选星效率的同时,选星结果的准确性优于标准的粒子群优化选星算法。      

基于频响函数模型修正影响因素的仿真

首先推导了基于频响函数模型修正的理论公式,在此基础上通过平面桁架模型修正的仿真算例,比较研究了基于频响函数模型修正方法具体实现过程中数据测量噪声、频率点选择以及频段选择等因素对修正结果的影响。研究表明,频率点的选择是基于频响函数模型修正的关键因素,合理的频率点选择既能够减小计算量,降低修正方程的条件数,同时还能够抑制测量噪声的影响;此外,提高实测数据的精度,增加修正频段的宽度也是改善模型修正效果的有效手段。