基于空间机器学习的城市小面积森林监测研究

为解决城市复杂地物环境中小面积森林检测的难题,提出了一种基于空间机器学习的城市小面积森林监测方法。该方法首先对卫星遥感大数据预处理,抑制云层和图像噪声。其次,提出了基于随机森林(random forest,RF)建立了森林识别模型。最后,选取了一个典型国家森林城市-江苏省南通市进行推广应用,实现了10 m空间分辨率城市森林变化监测。模型精度结果表明,对2021年南通市小面积森林覆盖精度为99.25%。在此基础上,利用时间序列差分方法得到南通市2019~2021年森林变化图。通过对比验证结果表明,提出的方法可有效监测小面积森林,将对测准城市森林系统碳汇具有重要的参考意义。

基于随机权重混沌粒子群反向神经网络算法的RFID定位算法

为了提高射频识别 (radio frequency identification,RFID)定位系统的准确性与可靠性,并改善反向传播神经网络算法在RFID定位算法中收敛速度慢、精度低、稳定性差的缺点,提出一种基于随机权重的混沌粒子群优化反向传播神经网络定位方法 (random weight chaotic particle swarm optimization back-propagation neural networks,RW-CPSO-BP)。在运用RW-CPSO-BP算法对标签进行轨迹预测过程中,首先对3个阅读器接收到的标签接收信号强度指标值 (received signal strength indicator,RSSI)先用均值滤波进行预处理,然后再进行归一化处理,将处理过的数据分为两组在RW-CPSO-BP模型中进行训练,从而得到误差曲线。经过RW-CPSO-BP优化过权值和阈值的BP模型能较好地定位移动标签,而且克服了陷入局部最优解的问题。仿真结果表明,RW-CPSO-BP算法收敛速度和稳定性明显高于BP网络,误差也较BP网络低,更加适合用于进行复杂环境下的RFID定位。