基于智能CASE库的多时相SAR影像分类方法——土地利用及变化监测

针对SAR影像分类,提出了一种基于智能案例(CASE)库多时相SAR影像分类方法。该方法主要分为4部分:SAR影像预处理;智能CASE的建构;基于CASE相似度匹配的SAR影像分类;分类后处理。在智能CASE建构期间,引入时空分析技术去除“伪”CASE,从而保证了CASE库中CASE信息的可靠性。接着,在基于CASE匹配的SAR影像分类过程中,采用分层相似度评价的方法,消除CASE特征相互之间的混叠效应。最后,采用面向对象的方法进行影像分类后处理。该方法有效地考虑了分类地块的形状因子,使分类结果更精确、更符合逻辑性。以2000年(4景,包含4个季度)和2004年(3景,包含3个季度)的多时相SAR影像作为实验数据,结果表明,使用我们提出的方法能达到较好的SAR影像分类结果,分类总体精度达到85%-90%,这为利用多时相SAR影像实施土地利用和变化监测(Land Use and Land Cover Change,LULC)奠定了良好基础。

利用案例推理(CBR)方法对雷达图像进行土地利用分类

提出了基于案例推理 (CBR)的遥感分类的新方法。基于规则的专家系统被用来提高遥感分类的效率。但所涉及的规则可能多达上百或上千条 ,有的问题根本无法用规则来表达。CBR只是根据以往的案例进行推理 ,克服了基于规则的推理方法的不足 ,可以用来解决一些复杂的资源环境问题。利用CBR和模糊数学结合 ,并通过分层随机采样来控制案例在空间上的分布 ,以反映复杂环境所造成的光谱变化 ,由此解决遥感分类中的“同物异谱”现象。实验表明 ,所建立的案例库可以被重复多次使用 ,分类的效果比监督分类和非监督分类要好。

A Comparative Study of Three Machine Learning Methods for Software Fault Prediction

The contribution of this paper is comparing three popular machine learning methods for software fault prediction. They are classification tree, neural network and case-based reasoning. First, three different classifiers are built based on these three different approaches. Second, the three different classifiers utilize the same product metrics as predictor variables to identify the fault-prone components. Third, the predicting results are compared on two aspects, how good prediction capabilities these models are, and how the models support understanding a process represented by the data.

基于CASE推理的多时相星载SAR影像分类

提出了一种基于案例(CASE)推理的多时相SAR影像分类方法。选用北京地区2000年(4景)和2004年(3景)的多时相Radarsat-1 SAR影像及相应地理基础分类图作为数据进行实验,结果表明,该方法能得到较好的SAR影像分类结果,分类总体精度可望达到85%。