基于鲸鱼算法的森林火灾图像多阈值分割

为监测森林火灾的实时火情,本文研究图像分割算法应用于林火图像的识别。由于林火图像背景复杂干扰目标多,采用单阈值Otsu方法对林火图像进行分割的精度较差,因此本文研究鲸鱼优化算法(Whale Optimization Algorithm,WOA)对多阈值图像分割的最佳阈值进行寻优。鲸鱼优化算法是在寻找最优解的过程中效率较高的算法,该算法具有收敛速度快、精度高的特点。针对森林火灾图像中的火焰区域准确分割问题,应用WOA对Otsu的适应度函数进行寻优,在红绿蓝模式的林火数字图像上进行仿真试验。试验结果表明:提出的算法在森林火灾图像多阈值分割中优于传统单阈值的Otsu算法,可以获得更为准确的分割阈值和更高的分割效率,具有较强的工程实用性。     

基于沙柳冠层可见-近红外光谱的热值预测

热值是灌木生物质能源利用的重要燃烧性能参数之一。针对传统实验室检测方法破坏性大、费时费力、无法实现大量样本的快速检测问题,探讨了沙柳冠层可见-近红外光谱(Vis-NIR)结合不同化学计量学方法预测沙柳热值的精度差异。采用标准正态变量变换(SNV)、归一化数据(normalize)、标准正态变量变换+归一化数据和第二代小波变换即提升小波变换(LWT)对冠层光谱进行预处理,采用偏最小二乘法(PLS)和卷积神经网络(CNN)构建了沙柳热值可见-近红外模型。同时,对比分析了鲸鱼优化算法(WOA)、麻雀搜索算法(SSA)和灰狼优化算法(GWO)对CNN模型参数的优化效果。结果表明：当采用db4小波进行5层分解后,其对沙柳冠层可见-近红外光谱的去躁效果最好,基于LWT-WOA-CNN法构建的沙柳热值可见-近红外模型的预测精度最优,校正模型的决定系数(R²)、均方根误差(RMSE)和相对分析误差(RPD)分别为0.852,0.103和2.599,RPD值较原始的PLS和CNN模型分别提高19.11%和76.80%。该研究可为沙柳生物质能源的高效、精细化利用提供技术支撑。     

基于CART决策树技术的林业地类遥感影像分类研究

以LandsatTM遥感影像为研究数据源,利用CART决策树算法,结合光谱信息和纹理信息进行林业地类的分类,并把获得的结果与传统的最大似然法分类进行比较,结果表明：在卫星影像的整体分类精度上,决策树分类技术要优于最大似然法。相对于最大似然分类,决策树的树状分类结构对数据特征空间分布不需要预先假设某种参数化密度分布,所以...     

基于WOA-BP神经网络的板式定制家具车间电力预测模型

为落实家具行业的“双碳”战略，实现家具产业的结构优化升级，本文提出了一种基于WOA-BP神经网络的板式定制家具车间电力预测模型，该模型引入鲸鱼优化算法（Whale Optimization Algorithm,WOA）对传统BP神经网络进行改进，建立了WOA-BP神经网络电力预测模型。在此基础上，使用采集的试验数据对模型进行了验证。结果表明：优化后的预测模型预测准确率可达到99%以上。因此，本文提出的基于WOA-BP神经网络预测模型在板式定制家具生产车间的电力节能和管理优化问题上具有较大的参考价值和实际意义。     

TM影像决策树分类中的影响因素研究

以云南省西双版纳州一景TM影像为例,分析了影响分类回归树方法的主要因素。结果表明在其他因素均一致的情况下,训练数据如果使用涵盖各类别的外业调查数据比使用系统布设的训练数据分类精度更高,并且多种参数波段的选择也会有效地提高分类的精度。     

TM影像决策树分类中的影响因素研究

以云南省西双版纳州一景TM影像为例,分析了影响分类回归树方法的主要因素。结果表明在其他因素均一致的情况下,训练数据如果使用涵盖各类别的外业调查数据比使用系统布设的训练数据分类精度更高,并且多种参数波段的选择也会有效地提高分类的精度。     

基于深度学习特征和支持向量机的遥感图像分类

随着遥感图像采集技术的迅速发展,传统的遥感图像处理方法已经不能满足当前实际的生产需要。近年来,深度学习模型的流行为遥感图像分类问题的解决提供了新的途径。因此,为了进一步提升遥感图像的分类精度,笔者提出了一种基于深度学习特征和支持向量机(support vector machine,SVM)的遥感图像分类模型。首先,针对深度学习模型需要海量训练数据的特点,运用旋转、剪裁等方法对原始的遥感图像进行数据扩增;然后,将扩增数据按照种类随机地分为训练集和验证集两部分测试集,并使用训练集和验证集训练改进的针对遥感图像分类问题的卷积神经网络(convolutional neural network,CNN)中的参数,进而在训练好的CNN模型上提取第一部分测试集的深度学习特征;最后,使用第一部分测试集的深度特征训练多分类SVM,并对第二部分测试集图像进行分类验证。实验采用NWPU-RESISC45公共数据集对本研究模型精度进行验证,与现有的遥感图像分类方法相比较,实验结果表明,提出模型的总体分类精度有明显提升,从而验证了方法的有效性和实用性。     

基于GEE遥感云平台的安徽省建设用地分类研究

为研究安徽省近30年的城镇扩展变化,分析了其发展重心迁移路径。基于GEE遥感云平台,利用NPP/VIIRS夜间灯光数据提取城市范围;基于原始光谱波段构建特征数据,对特征数据进行特征优化;利用优化后的特征在初步提取的城市范围用随机森林(random forest, RF)算法对Landsat影像数据进行再分类,对提取到的建设用地进行了重心迁移分析。结果表明：安徽省提取建设用地的平均OA为0.978%,Kappa系数为0.95,提取结果精度较高且可靠性高;1990-2020年安徽省城市建设用地总面积扩张698.21%,皖南区域扩张速率较快,皖北与皖中相差无几;影响城市初期建设的最主要因素是经济与人口,发展到一定程度后会有更多其他因素影响城市发展。     

噪声环境下木材纹理分类的研究

为了实现木材分类识别的自动化,应用灰度共生矩阵建立了木材纹理的参数体系,并进行了分类研究。首先在无噪声的环境下提取了木材的共生矩阵纹理原始特征参数,并对其进行特征选择,进而建立了木材纹理参数体系。对该参数体系进行噪声适应性测试的实验结果表明,无噪声情况下样本识别率为87.50%;0.2%￣1.0%椒盐噪声环境下样本识别率范围为87.00%￣88.00%。表明该参数体系具有良好的抗击噪声能力和一定的工程实用价值。     

基于改进粒子群算法的永磁同步电机参数辨识

电机在进行变频控制器控制前，高精度辨识电机参数有助于实现电机的平稳启动。针对标准粒子群算法对永磁同步电机参数辨识精度低的问题，提出了一种改进粒子群算法进行参数辨识。算法采用正弦函数变化的学习因子充分发挥算法高效搜索的能力。仿真结果验证了改进PSO算法辨识PMSM参数速度快，有更优越的电机参数辨识精度，具有良好的动态性能和较小的误差。     

基于IGWO-CNN的风场发电功率预测研究

针对传统方法下风场发电功率预测精度不高的特点，提出了一种基于改进灰狼算法(IGWO)的优化卷积神经网络(CNN),传统灰狼算法搜索范围呈现线性变化，因此采用动态收敛对灰狼算法进行改进，通过非线性收敛因子降低全局搜索速度，可以有效避免传统灰狼算法陷入局部最优解的问题，随后利用改进的灰狼算法对CNN的最佳网络进行寻优，成功避免CNN网络结构的不确定性。对内蒙古某风力发电厂的实测功率进行预测，研究表明：基于IGWO-CNN的风力发电功率预测方法相较传统的GWO-CNN及CNN具有更高的预测精度。     

基于ASD与Hyperion高光谱数据的主要针叶树种分类研究

以云南省香格里拉市为研究区,对ASD光谱仪实测的4种针叶树种光谱数据采用包络线去除法、光谱一阶微分法和光谱二阶微分法3种波段选择方法得到Hyperion高光谱影像数据的分类特征波段,采用最大似然法、支持向量机2种分类方法对所选的特征波段开展树种识别分类,对原始影像采用光谱角填图分类方法作对比实验。结果表明,基于ASD数据的光谱一阶波段选择方案的支持向量机分类方法精度最高,总体分类精度为81.95%,Kappa系数为0.725 1。采用ASD实测光谱数据能有效指导Hyperion进行树种分类,基于数据尺度和换算方式,一阶微分更适合特征波段选择;与传统的数理统计分类方法和光谱特征分类方法相比,基于机器学习的方法如支持向量机等在高光谱遥感分类中具有更大的应用潜力。     

面向安全服务重组多目标优化的粒子群遗传算法

遗传算法具有快速随机的全局搜索能力,但局部搜索能力差,易陷入早熟收敛,迭代效率低.粒子群算法采用速度——位置模型,可以较快收敛到指定精度.将粒子群算法与遗传算法融合,采用多目标遗传算法得出初步的优化结果,并将其作为粒子,利用粒子群算法强化局部搜索,加快收敛速度,仿真结果证明了该算法的优越性.在CSSM对底层安全服务的重组时利用粒子群和遗传算法的结合(GAPSO),能够提高效率.     

基于改进差分进化算法的鳞翅目昆虫图像识别方法

【目的】应用计算机图像处理技术提取昆虫图像特征,提出一种新的特征选择技术筛选昆虫识别相关的特征,以准确、快速地识别出鳞翅目昆虫种类。【方法】基于开源的利兹蝴蝶数据集和拍摄的以森林鳞翅目昆虫为主的数据集,采用改进的纹理特征提取算法(DRLBP)提取鳞翅目昆虫图像纹理特征,应用汉明距离计算的粒子间距离度量种群多样性,提出进化过程中自动调整多样性的方法,给出二进制自适应差分进化算法(BADE)。利用BADE算法筛选合适的较小维数的纹理特征子集,并用基于概率协同表示的分类器(PROCRC)进行图像分类。【结果】PROCRC分类器在所有数据集上均展现出良好分类效果,平均识别率分别为81.73%和88.18%。经特征选择后的昆虫的分类精度显著提升,最高提升率达13.49%。BADE的性能高于其他特征选择算法,且经BADE算法特征选择后纹理数据集的维数和分类所需时间均显著下降,其降维率接近50%,时间减少率最高达50%。【结论】BADE算法可有效进行特征选择,提高识别精度,节约模型的识别时间,利用群体智能优化算法对鳞翅目昆虫图像进行特征选择的方法具有可行性,DRLBP和BADE算法相结合的鳞翅目昆虫识别方法在农林昆虫的快速、准确识别中具有广阔应用前景。     

基于随机森林算法的林地分类研究

基于随机森林分类器,利用Landsat多光谱数据对北京市门头沟地区林地地类识别分类,根据是否进行特征筛选将分类方案分为原始特征组与筛选特征组,分类结果显示:筛选特征组分类精度为60.87％高于原始特征组分类精度52.17％,4种林地地类相比,阔叶混交林地分类精度最高,其次为其他灌木林地与针叶混交林地,分类效果最差的为混...     

基于优化LM模糊神经网络的不均衡林业信息文本分类算法

为解决不均衡林业信息文本分类中少数类分类正确率低问题,提出了一种基于优化LM模糊神经网络的不均衡林业信息文本分类算法。在阐述优化LM模糊神经网络算法原理的基础上,提取不均衡林业信息文本特征矩阵训练分类器的各项参数,实现对不均衡林业信息文本的精准与快速分类。实验结果表明该算法对少数类辨识准确率高,优于神经网络分类法以及SVM算法、模糊神经网络算法,为不均衡林业信息文本的分类提供了新思路。     

基于改进粒子群算法的木材板材下料方法

木材板材在家具行业应用广泛,以绿色环保、节约能源为目的的木材板材优化下料已经成为研究的热点。木材板材下料优化问题属于二维矩形下料问题,是一种具有高度计算复杂性的问题。本研究主要针对单规格木材板材进行矩形零件下料问题,在木材板材长和宽都大于零件长和宽的情况下,通过建立二维下料的数学模型,采用标准粒子群算法、变邻域搜索算法、粒子群混合变邻域搜索算法分别进行求解,并以某企业的下料实例进行分析计算。首先,利用标准粒子群算法求解单规格板材下料问题;其次,利用变邻域搜索算法求解单规格板材下料问题。在获得局部最优解的基础上改变其邻域结构再进行局部搜索,找到另一个局部最优解,如此不断迭代,直到满足算法的终止条件,获得全局最优解;最后,利用粒子群变邻域搜索混合算法求解单规格板材下料问题。针对粒子群算法局部搜索能力较差、容易过早收敛的问题和具有较好包容性的特点,将变邻域搜索的思想融入粒子群算法中,使结果更加趋向全局最优。结果表明：粒子群变邻域搜索混合算法相比粒子群算法和变邻域算法效率都有显著提升,能显著提高该木材板材的利用率,增加企业经济效益。     

基于特征选择的TLS蒙古栎人工林点云分类研究

【目的】针对点云分类过程中多依据经验盲目构造特征的问题,本研究提出使用基于xgboost的特征选择弥补上述不足。【方法】本研究的数据为地面激光雷达扫描获得的蒙古栎人工林数据。本研究考虑构造适当的特征训练分类器将TLS点云快速分离为地面、树干与枝叶3个类别。在分类过程中,先在训练集中逐点搜索100个近邻构造19个特征,然后使用这些特征训练xgboost分类器,并依据控制分类器节点分裂的特征频率获得特征重要性。获得特征重要性之后将特征按重要性做降序排列,并依据该序列依次增加特征数量训练xgboost。因为构造了19个特征,所以在上述训练分类器的过程中可获得19个关于特征重要性的分类器模型。依次将上述模型应用于测试集的分类,在保证分类器性能的情况下,依据测试集的表现选择了前6个特征,从而实现了TLS点云分类的特征选择。【结果】使用基于特征选择获得的6个特征与依据经验构造的19个特征训练分类器的测试准确率分别为0.954 8与0.956 2。相较于使用19个特征,使用6个特征的分类器性能仅降低了0.001 4。在训练集与测试集中计算6个特征用时分别占计算19个特征用时的53.13%与54.33%。【结论】结果表明特征选择策略可有效提高特征计算效率,而且在保证分类器性能的前提下可以避免特征构造的盲目性。     

基于深度学习特征和非线性支持向量机的板材表面缺陷识别方法

深度学习是一种有效的特征学习方法,具有很强的自主学习能力。研究了基于深度学习特征与非线性支持向量机(NSVM)分类算法相结合的板材表面缺陷识别方法。首先,针对深度学习模型需要海量训练数据的特性,使用旋转剪切的方法对采集到的原始板材表面缺陷图像进行数据扩增;其次,使用扩增后的板材表面缺陷图像数据集对笔者提出的深度卷积神经网络(CNN)模型进行训练,并使用训练好的网络提取不同种类缺陷图像的深度特征;然后,为了消除深度特征中的冗余数据,并增强数据的表达能力,运用基于1范数的非贪婪主成分分析(Non-greedy PCA-L1)算法对板材的深层语义特征进行特征降维和特征增强;最后,运用增强后的深度特征训练NSVM模型,并使用训练好的NSVM模型对原始板材表面缺陷图像的测试集进行分类。实验结果表明,笔者提出的识别方法具有较好的鲁棒性和实用性,可取得目前较好的分类效果,针对结疤、压痕和无损3种板材表面缺陷识别率可达99%以上。     

基于多种分类器组合的森林类型信息提取技术研究

遥感图像分类是遥感应用系统中的关键技术,提高遥感图像的分类精度是发展遥感技术重点,采用多分类器组合的算法对黑龙江塔河县森林类型进行分类。根据黑龙江省森林资源调查技术规定及研究区二类调查数据制定分类系统,最终的分类级别为针叶林、阔叶林和针阔混交林。通过分析TM数据的原始波段和NDVI、BI等植被指数提取各分类类型的光谱特征。选择最小距离法、最大似然法、马氏距离法对研究区进行分类,计算出各分类器的精度。在分类器组合的过程中采用信息熵方法确定组合分类器中各分类器的权重系数,利用组合后新的分类器对研究区进行分类。结果表明:多分类器组合的分类精度达75.59%,比单分类器精度提高了3.85%,对阔叶林、针阔混交林、针叶林3种分类类型的分类精度分别达82.32%、66.45%、75.49%,比单分类器进度分别提高了2.87%、4.82%。4.10%。