6.4.1　K近邻算法在高光谱地面实测数据矿物识别中的应用1.实验数据选择和预处理在第5章已经介绍过,根据吸收波段的位置基本上可以确定矿物的类型、吸收深度、吸收宽度、面积与岩石中矿物成分的含量有关,等等。因此,既然从这...[继续阅读]

    决策树学习是以实例为基础的归纳学习算法,它着眼于从一组无次序、无规则的事例中推理出决策树表示形式的分类规则,通常用来形成分类器,可以对未知数据进行分类。在各种决策树分类的算法中,早期的是CLS学习算法和CART算法。最...[继续阅读]

    决策树是一个类似流程图的树型结构,其中树的每个内部节点代表对一个属性的测试,其分支代表测试的每个结果,而树的每个叶子节点代表一个类别,树的最高层节点就是根节点,是整个决策树的开始。...[继续阅读]

    属性选择度量作为一种选择分裂准则在决策树中扮演着十分重要的角色。它将给定的类标记的训练数据集合划分H按一定的准则分成个体类的启发式方法。如果我们要根据分裂准则的输出将H划分成较小的划分,理想地,每个划分是纯划...[继续阅读]

    1.实验数据选择和预处理通过“基于演化数据挖掘的铀矿床高光谱遥感信息处理软件”从铀黑和沥青铀矿的预处理光谱中提取光谱特征参数,然后将光谱特征参数作为输入,从而达到对光谱维降维的目的。但不同矿物的吸收峰数目和吸...[继续阅读]

    对于实验中的高光谱遥感数据,在242个波段中有很多反射率为0,或反射率为负的波段,但是实际情况下反射率是不可能为0或负的,因此这些波段被归为坏波段,必须将其剔除,根据Hyperion数据的特点可知,其可用波段仅有150个,因此剔除不可...[继续阅读]

    贝叶斯分类是统计学分类方法,它可以预测类成员关系的可能性,如给定样本属于一个特定类的概率。它基于如下的假定,即待考查的量遵循某概率分布,且可根据这些概率及已观察到的数据进行推理,以作出最优的决策。朴素贝叶斯分类...[继续阅读]

    贝叶斯分类基于如下贝叶斯定理P(h|D)=(8.2.1)其中,D为训练数据;h∈H,而H为候选假设集合;P(h|D)称为h的后验概率(posteriorprobability),因为它反映了在看到训练数据D后h成立的置信度;P(h)称为h的先验概率(priorprobability),它反映了关于h是一正确假...[继续阅读]

    8.3.1　贝叶斯算法在高光谱地面实测数据矿物识别中的应用1.实验数据选择和预处理通过“基于演化数据挖掘的铀矿床高光谱遥感信息处理软件”从铀黑和沥青铀矿的预处理光谱曲线中提取光谱特征参数(表8-3-1),然后将光谱特征参数...[继续阅读]

    Kohavi提出了一种模型NBTree,它结合了决策树和朴素贝叶斯网络的特点,在决策树的叶子节点上利用NB来分类,NBTree的思想是将数据分割成不同的区间,未分类的实例在C4.5的树结构上自上而下地移动,并根据其属性的取值到达不同的训练空间...[继续阅读]