以江苏省宜兴地区为试验区,首先进行了CBERS-02星CCD数据的图像预处理,然后利用ERDASI-MAGINE和Definiens7.0等软件,采用非监督分类、监督分类、混合监督分类、面向对象四种分类方法进行了土地利用分类,并将影像分类结果进行了精度评价分析。结果表明：在一级地类的提取中,面向对象的最邻近分类器的分类精度最低,混合监督分类的精度最高;在二级地类的提取中,面向对象的特征阈值法得到的分类结果较好,能够轻松提取传统分类方法难于提取的地类。

针对自动化机床在线故障监测存在的问题,设计一种基于线性可分SVM的故障监测系统。在线监测系统的硬件结构由STM32F103ZET6型单片机、传感器模块、存储器模块、通信模块和显示模块等部分组成;在软件算法流程上,利用线性可分SVM分类器,可以确保数据集到最优超平面的几何间隔最大,同时提升距离最优超平面最近数据点的可信度及对故障样本的分类精度。测试结果显示:设计的系统数据训练收敛速度快,故障数据分类精度高,相对于传统监测系统具有性能上的

在数据驱动的滚动轴承状态辨识模型构建过程中,针对核极限学习机(Kernel Extreme Learning Machine,KELM)算法中高斯核函数的径向宽度参数σ选取不当极易造成模型分类精度差的问题,提出一种核排列优选核参数σ的滚动轴承状态辨识方法。首先,将测取滚动轴承振动信号经总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)进行分解并计算其能量熵、排列熵来构建高维的特征向量集;然后,初始化核排列(K ernel Target Alignment,KTA)算法参数:最大核排列值Ai和核参数σi,通过判断核矩阵与理想目标矩阵间距离来调节不同的Ai和σi值,来获取两矩阵距离最短时所对应的Ai,此时核参数σi最优。最后,将上述滚动轴承的高维特征向量集作为输入通过KTA-KELM算法的学习,建立基于KTA-KELM的滚动轴承的状态辨识模型。仿真实验结果表明,与KELM、ELM算法相比,KTA-KELM算法将滚动轴承状态辨识的精...