基于改进KPCA与混合核函数LSSVR的泥石流预测

针对引发泥石流灾害的多重影响因素而导致的预测维数灾难,以及最小二乘支持向量回归(least squares support vector regression,LSSVR)模型中选取单核函数而导致的模型训练性能部分缺陷的问题,提出了一种基于改进的核主成分分析(kernel principal component analysis,KPCA)与混合核函数LSSVR的泥石流灾害预测方法.首先,将影响泥石流发生的7种初始因子赋予权重,利用加权KPCA法筛选出3个主成分影响因子作为模型输入;然后,将局部核函数与全局核函数相结合,运用到LSSVR模型上,进行泥石流发生概率预测,以平衡样本学习能力与泛化能力,并使用果蝇优化算法(fruit fly optimization algorithm,FOA)更新模型的最优参数;最后,以磨子沟监测数据进行仿真验证.结果表明,该方法能够有效地降低维数灾难并提升预测模型精确度,在误差允许范围内预测出泥石流发生概率值及对应的预警等级,为相关决策部门提供一定的借鉴经验.

基于区域性IHS_NSST的国产高分合成孔径雷达和光学图像融合

为了提高国产合成孔径雷达(SAR)和光学图像的融合性能,采用高分一号、高分二号多光谱图像,高分三号SAR聚束模式和精细化条带1模式图像,利用变换域和空间域两种不同的融合思想,提出一种非下采样剪切波变换(NSST)方法结合IHS(intensity-hue-saturation)变换和区域性改进脉冲耦合神经网络(PCNN)方法的融合算法(IHS_NSST)。该算法首先对多光谱图像进行IHS变换;其次在NSST分解的子带上,引用区域性的思想,对低频成分采用区域能量平均方法,对高频成分采用改进拉普拉斯能量和(SML)激励的PCNN方法;最终从定性和定量两个方面进行评价,并将所提算法与多种融合方法作比较。结果表明:基于区域性IHS_NSST的融合方法在高分SAR和光学图像融合上有较大的优势;采用该方法大大提升了融合性能,有效减小了光谱失真,较好地保持空间特征信息,提高了国产高分SAR和光学图像的可利用程度。