辨识分类中的补充样本容量优化方法

在对系统输出进行辨识分类建模时,当实际试验样本量不足时,工程上通常考虑利用各种信息源合理增加补充试验样本,而合理确定补充样本容量,避免过多的样本"淹没"实际系统信息,是补充样本需要考虑的关键因素之一。为此,从信息相等的角度分析补充试验样本的合理性和有效性,并在此基础上提出了基于后验分布鉴别信息的补充试验样本容量的优化原则及计算方法,最后通过试验证实,优化原则得到的补充样本能够有效提高辨识分类识别率。

补充以无辅助信息分层样本的含辅助信息整群抽样

本文提出一种新的抽样方法,通过补充无辅助信息分层样本来提高含有辅助信息整群抽样的精度.得到的结果表明与单一的整群抽样比估计、单一的分层随机抽样简单估计相比,这种抽样设计的估计精度更高.

基于密度的kNN分类器训练样本裁剪方法的改进

在文本分类中,训练集的分布状态会直接影响k-近邻(kNN)分类器的效率和准确率。通过分析基于密度的kNN文本分类器训练样本的裁剪方法,发现它存在两大不足:一是裁剪之后的均匀状态只是以ε为半径的球形区域意义上的均匀状态,而非最理想的均匀状态即两两样本之间的距离相等;二是未对低密度区域的样本做任何处理,裁剪之后仍存在大量不均匀的区域。针对这两处不足,提出了以下两点改进:一是优化了裁剪策略,使裁剪之后的训练集更趋于理想的均匀状态;二是实现了对低密度区域样本的补充。通过实验对比,改进后的方法在稳定性和准确率方面都有明显提高。

具有漂移特征的退化可靠性评估方法研究

针对具有参数漂移特征的产品,首先采用随机扩散理论描述其参数漂移规律,并建立了参数漂移模型.在此基础上,提出了基于参数漂移特征的退化补充样本容量的确定方法,建立了基于退化观测数据和补充样本数据的产品退化可靠性评估模型.最后,通过对某传感器电压数据进行处理,说明了该方法得到的可靠性估计结果具有较好的精度和稳健性,与工程实际相符.

基于不确定性迭代优化的山地植被遥感制图

山地因其较高的异质性和特殊的环境特征给遥感科学及其应用带来了诸多问题和挑战。为实现山地植被信息的精准提取,本研究选择部分滇西北山地区域作为研究区开展方法实验,利用高分辨率遥感影像数据和数字高程模型,结合分区分层感知思想,提出一种基于不确定性理论的山地植被型组分类制图方法。首先结合地形对研究区影像进行多尺度分割制作图斑;然后根据图斑特征使用随机森林方法进行分类,将分类结果与对应类别样本间的相似性作为优化目标,并构建混合熵模型定量计算图斑推测类型的不确定性,据此进行针对性的样本补充和分类模型的迭代优化。实验总体分类精度达90.8%,较迭代前提升了29.4%,Kappa系数达到0.875。在高不确定性区域,该方法相比使用一次性补样和随机补样方法的分类结果,精度分别提高了17%和13%。研究结果表明,通过人机交互的方式,基于不确定性理论为样本库融入增量信息的迭代优化方法能够有效提高植被型组分类的精度,相较于传统的样本选择方法具有更高的效率和更低的不确定性。