基于混合多分类器结合算法的遥感分类

为改善遥感影像分类精度,提出混合多分类器结合算法。考虑抽象级和测量级2个层次的特点,综合最优子分类器、Bagging算法和最大置信度区间法。应用到不同分辨率的遥感影像分类进行验证,结果表明,与选用的子分类器相比,该算法的总体精度和单个类别分类精度有明显提高,是有效的高中精度遥感影像分类算法。

混合多分类器结合算法在遥感影像分类中的应用研究

为了提高遥感影像分类精度,从抽象级和测量级的两个层次出发,提出混合多分类器结合算法。该算法利用不同子分类器的分类结果及对各类别的分类精度,设定单个类别精度的阈值,选择最优子分类器,得到部分类别的最终分类结果;然后使用基于抽象级Bagging算法和测量级上的最大置信度进行多分类器结合。该算法应用于北京1号遥感影像的分类研究,结果表明该算法的总体精度和单个类别的分类精度比选用的子分类器都有明显的提高,是一种新的有效算法。

结合多分类器的遥感数据专题分类方法研究

采用标准的多分类器结合方法进行遥感图像的分类研究。首先介绍了标准的多分类器结合的算法,然后以Landsat-TM多光谱遥感数据的土地覆被分类为例,分别给出了抽象级上相同训练特征的多分类器结合、抽象级上不同训练特征的多分类器结合和测量级上的多分类器结合进行土地覆被分类的方法,并进行了实例研究。参与分类器结合的单个分类器包括最大似然分类器,最小距离分类器,马氏距离分类器,K-NN分类器,多层感知器神经网络分类器。分类器的分类精度用总体精度、用户精度、生产者精度、kappa系数和条件kappa系数评价。结果表明,每一种多分类器结合的分类方法都能够比较显著地提高总体分类精度。文章最后对不同多分类器结合方式的优缺点进行了分析。

数据挖掘方法在网络教育领域的应用

最近几年网络教育技术的发展为教育工作研究者提供了一个了解学生如何学习以及用什么样的学习方法更有效率的研究机会。在用户模式下网络教育系统会收集大量的用户数据,并利用数据挖掘技术进行分析。这篇论文将向读者展示怎样通过数据挖掘技术对学生特征进行一个分类,并预测他们的期末成绩。通过设计,实现,以及评估了一系列模式分类器,并且比较了它们在一门网络课程数据中的性能后,我们得到了一个结合多分类器,它可以大大提高分类的性能。利用这个方法分析学生特征,目的在于帮助学生修正自己的学习行为,教师通过这个方法也可以及时地给学生提供正确的引导和建议。