一种基于地理环境相似度的滑坡负样本可信度度量方法

滑坡负样本在统计型滑坡危险度制图中具有重要作用,能抑制统计模型对滑坡危险度的高估。当前滑坡负样本采样方法采集的负样本可信度未知,在负样本采样过程中,极有可能将那些潜在滑坡点错选为负样本,这些假的负样本会降低负样本集的质量和训练样本集的质量,进而影响统计模型的精度。本文基于"地理环境越相似、地理特征越相似"的地理学常识,认为与正样本有着相似地理环境的点极有可能是未来发生滑坡的点;与正样本的地理环境越不相似的点,则越有可能是负样本。基于此假设提出一种基于地理环境相似度的负样本可信度度量方法,将该方法应用于滑坡灾害频发的陇南山区油房沟流域,对油房沟进行滑坡负样本可信度评价制图;使用油房沟流域的滑坡发生初始面来验证该方法的有效性。结果发现:滑坡发生初始面上所有栅格点的负样本可信度平均值为0.26,超过95%的栅格点的负样本可信度都小于0.5,说明本文提出的负样本可信度度量方法合理。

基于正常域名及其可信度的DGA检测方法

现有DGA域名分类模型仅注重检测已知的DGA域名家族,对新型DGA域名家族识别效果差.为了解决该问题,本文提出了一种基于正常域名及其可信度的DGA域名检测模型ProfDGA.该模型通过评估每个正常域名的可信度且将评分引入损失函数,使得模型训练只利用正常域名及其可信度.通过本文方法得到的模型具备更强的泛化性和检测新型DGA家族的能力.经过实验验证,虽然ProfDGA模型对已知DGA家族检测精确率降低了9%,但对未知DGA家族的检测精确率较现有模型提升了30%,查全率提升了54.2%,能有效发现新型DGA域名家族.

基于模糊熵的KNN分类模型在岩性识别中的应用

KNN分类模型是一种简单直接的惰性分类算法,适用于多分类问题,可应用于复杂岩性识别中。该研究以苏里格气田苏东某区为研究工区,该地区岩性结构复杂多样,其识别是本次研究工作的重点。传统KNN方法在类重叠度高的部分易判错,样本容量小的类域易误分,稀疏类的边缘点易受干扰,分类效果欠佳。为克服缺点,提出了基于模糊熵的KNN分类模型,又称为FE-KNN(Fuzzy Entropy-KNN)。FE-KNN分类模型将传统KNN与模糊理论相结合,区别对待不同特征和不同样本点,使分类的精度由84.7%提高至86.9%,为复杂碳酸盐岩岩性识别提供了一种新的思路。

鲁棒性监督等距特征映射方法

提出一种鲁棒的监督Isomap算法(RS-Isomap算法).该方法首先在标准PCA基础上,为样本邻域点引入权值因子,产生新的优化问题,使用加权迭代最小二乘法求解.然后利用加权主成分分析,遍历每一个样本点,计算归一化权值之和,得到样本的可信度.接着融合样本的可信度、类别和邻域信息,重新定义样本点之间的测地距离,计算最短距离矩阵,采用多维标度分析和广义回归神经网络分别构建训练样本和测试点的嵌入坐标.实验表明:新方法比传统的Isomap方法有较强的抗噪声能力,能有效地提高高光谱图像的分类精度,在运行时间上具有可行性.鲁棒性的监督Isomap算法是一种有效的高光谱遥感图像特征提取方法.