基于正样本和未标记样本的遥感图像分类方法

传统分类器的构建需要正样本和负样本两类数据。在遥感影像分类中,常出现这样一类情形:感兴趣的地物只有一种。由于标记样本耗时耗力,未标记样本往往容易获取并且包含有用信息,鉴于此,提出了一种基于正样本和未标记样本的遥感图像分类方法(PUL)。首先,根据正样本固有特征并结合支持向量数据描述(SVDD)从未标记集筛选出可信正负样本,再将其从未标记集中剔除;接着将其带入SVM训练,根据未标记集在分类器中的表现设立阈值,再从未标记集中筛选出相对可靠的正负样本;最后是加权SVM(Weighted SVM)过程,初始正样本及提取出的可靠正负样本权重为1,SVM训练筛选出的样本权重范围0~1。为验证PUL的有效性,在遥感影像进行分类实验,并与单类支持向量机(OC-SVM)、高斯数据描述(GDD)、支持向量数据描述(SVDD)、有偏SVM(Biased SVM)以及多类SVM分类对比,实验结果表明PUL提高了分类效果,优于上述单类分类方法及多类SVM方法。

基于核独立成分分析和支持向量数据描述的非线性系统故障检测方法

复杂工业过程数据通常具有非高斯性和强非线性特征,为此提出了一种基于核独立成分分析和支持向量数据描述(KICA-SVDD)的非高斯非线性系统的故障检测方法.该方法首先运用核独立成分分析方法对数据进行特征提取,然后通过引入支持向量数据描述对独立主元成分进行建模,并计算相应的统计量及控制限,实现非高斯非线性系统下的故障检测.最后在Tennessee-Eastman(TE)过程上进行了仿真实验,结果表明所提出的方法降低了故障错分比例和漏检比例,验证了其可行性和有效性.