类别混叠度对非均衡数据分类的有效性分析

类别混叠度是指不同类别数据之间互相交叠、混合的程度,其量化指标包含基于几何统计的和基于信息论的两类,用于衡量数据分类的难易。实际分类任务中存在大量的非均衡数据,大类与小类样本之间悬殊的数量差别给分类造成了极大的困难。本文采用实验研究的方法,验证类别混叠度量化指标指导非均衡数据分类的有效性,以减少甚至避免盲目试错带来的庞大计算开销。首先,针对两类分类问题,设计验证实验,在不同类数据非均衡率,不同别边界形状、不同特征类型、不同概率分布的非均衡仿真数据上研究类别混叠度的有效性。其次,在实验研究的基础上,分析数据的非均衡性对类别混叠度的影响规律,找出类别混叠度指导非均衡分类的有效方法。最后,在真实的非均衡数据上验证类别混叠度指导非均衡分类的实际效果。实验结果表明,对数据的非均衡率具有较强鲁棒性的类别混叠度量化指标可以有效地指导非均衡数据的分类器选择。

预估计混叠度的MAP超分辨率处理算法

提出一种预估计混叠度的PEMAP(pre-estimated MAP (maximum a posteriori))算法,用于卫星图像的地面超分辨率处理.它通过频域分析确定卫星图像的混叠度,将其作为先验信息在空域控制MAP估计的循环迭代,联合估计帧间位移和高分辨率图像.该算法克服了最大后验概率MAP算法的盲目性和不稳定性,使其适应性更好.实际的卫星图像处理显示了较好的处理效果.

联合估计混叠度,运动参数和高分辨率图像的JEMAP算法

本文提出一种空域联合估计混叠度,运动参数和高分辨率图像的JEMAP算法,以提高超分辨平处理的适应性,在地面上稳定地获得高于实测卫星图像中所用CCD设备成像精度的高清晰图像。算法根据星载CCD设备的成像机理,定义卫星图像的混叠度,确定超分辨率处理模型,通过空域迭代联合估计混叠度,运动参数和高分辨率图像。实际卫星图像处理表明JEMAP算法具有很好的适应性和穗定性,包含先验约束能力较强,可以解开欠采样低分辨率输入图像的混叠,重构清晰卫星图像。