基于GF-1 PMS影像和k-NN方法的延庆区森林蓄积量估测

应用高分1号(GF-1)全色和多光谱(PMS)影像和k-最邻近(k-NN)方法进行县域尺度的森林蓄积量估测,探讨GF-1 PMS影像以及k-NN方法估测森林蓄积量的适用性。以北京市延庆区森林资源二类调查数据为基础数据,森林蓄积量为研究对象,基于国产GF-1 PMS影像数据提取植被指数,采用k-NN法构建森林蓄积量估测模型,并引入偏最小二乘回归法予以比较,选出最优估测方法对全区森林蓄积量进行反演。结果显示:偏最小二乘回归法估测的森林蓄积量均方根误差为21.90 m^3·hm^(-2),相对均方根误差为27.5%,偏差为17.23 m^3·hm^(-2)。基于k-NN方法的森林蓄积量估测的均方根误差为12.80 m^3·hm^(-2),相对均方根误差为16.0%,偏差为15.02 m^3·hm^(-2)。与官方公布的全区森林蓄积量进行对比,结果显示:基于k-NN法反演的全区森林蓄积量统计结果(245.98万m^3,估测精度为86.0%)要好于偏最小二乘回归法(266.22万m^3,估测精度为76.6%)。最后生成了全区森林蓄积量空间分布图。

基于概率神经网络的文本自动分类研究

本文提出了将一种径向基网络的重要变形--概率神经网络应用于文本自动分类的研究,与常用的K-最邻近法相比,具有一定的优势,特别是在训练集中各类的训练样本数很不平衡时;与BP等其他神经网络相比,其特点是需调节的参数少,不需确定隐层数、隐层中的神经元数量等网络结构,比较容易使用.此外,从研究中的不同特征选择的评价函数来看,它们对分类有一定的影响,应用X2统计进行特征选择的分类正确率最高,其次是文本证据权,而期望交叉熵的效果最差,说明特征选择在文本自动分类中也是非常重要的.

基于DTW-KNN的机械通气无效吸气努力检测

无效吸气努力(Ineffective Inspiratory Effort during Expiration,IEE)是使用机械通气抢救危重病人过程中最常见的一种人机不同步问题。针对该问题缺乏检测手段的现状,提出基于机械通气波形,采用K最邻近法(K-Nearest Neighbors,KNN)结合动态时间规整(Dynamic time warping,DTW)实现IEE检测。在临床采集的数据集上进行测试发现,基于DTW-KNN的方法得到96.5%的特异性和97.2%的灵敏度,优于传统的基于规则的方法和机器学习方法。研究表明,该方法有望用于临床IEE检测,提示医护人员调整呼吸机参数设置,改善病人与呼吸机的同步性,优化重症呼吸治疗。

基于支持向量机的文本自动分类试验研究

提出了将支持向量机应用于文本自动分类的研究 ,与常用的 K-最邻近法相比 ,无论是对训练数据集还是测试数据集均具有一定的优势 ,而且不同特征选择方法对支持向量机的影响要比 K-最邻近法小。此外 ,从研究中的不同特征选择的评价函数来看 ,它们对分类有一定的影响 ,应用 X2统计进行特征选择的分类正确率最高 ,其次是文本证据权 ,而期望交叉熵的效果最差 ,说明特征选择在文本自动分类中也是相当重要的。