6.4.1　K近鄰算法在高光譜地面實(shí)測數(shù)據(jù)礦物識(shí)別中的應(yīng)用1.實(shí)驗(yàn)數(shù)據(jù)選擇和預(yù)處理在第5章已經(jīng)介紹過,根據(jù)吸收波段的位置基本上可以確定礦物的類型、吸收深度、吸收寬度、面積與巖石中礦物成分的含量有關(guān),等等。因此,既然從這...[繼續(xù)閱讀]

    決策樹學(xué)習(xí)是以實(shí)例為基礎(chǔ)的歸納學(xué)習(xí)算法,它著眼于從一組無次序、無規(guī)則的事例中推理出決策樹表示形式的分類規(guī)則,通常用來形成分類器,可以對未知數(shù)據(jù)進(jìn)行分類。在各種決策樹分類的算法中,早期的是CLS學(xué)習(xí)算法和CART算法。最...[繼續(xù)閱讀]

    決策樹是一個(gè)類似流程圖的樹型結(jié)構(gòu),其中樹的每個(gè)內(nèi)部節(jié)點(diǎn)代表對一個(gè)屬性的測試,其分支代表測試的每個(gè)結(jié)果,而樹的每個(gè)葉子節(jié)點(diǎn)代表一個(gè)類別,樹的最高層節(jié)點(diǎn)就是根節(jié)點(diǎn),是整個(gè)決策樹的開始。...[繼續(xù)閱讀]

    屬性選擇度量作為一種選擇分裂準(zhǔn)則在決策樹中扮演著十分重要的角色。它將給定的類標(biāo)記的訓(xùn)練數(shù)據(jù)集合劃分H按一定的準(zhǔn)則分成個(gè)體類的啟發(fā)式方法。如果我們要根據(jù)分裂準(zhǔn)則的輸出將H劃分成較小的劃分,理想地,每個(gè)劃分是純劃...[繼續(xù)閱讀]

    1.實(shí)驗(yàn)數(shù)據(jù)選擇和預(yù)處理通過“基于演化數(shù)據(jù)挖掘的鈾礦床高光譜遙感信息處理軟件”從鈾黑和瀝青鈾礦的預(yù)處理光譜中提取光譜特征參數(shù),然后將光譜特征參數(shù)作為輸入,從而達(dá)到對光譜維降維的目的。但不同礦物的吸收峰數(shù)目和吸...[繼續(xù)閱讀]

    對于實(shí)驗(yàn)中的高光譜遙感數(shù)據(jù),在242個(gè)波段中有很多反射率為0,或反射率為負(fù)的波段,但是實(shí)際情況下反射率是不可能為0或負(fù)的,因此這些波段被歸為壞波段,必須將其剔除,根據(jù)Hyperion數(shù)據(jù)的特點(diǎn)可知,其可用波段僅有150個(gè),因此剔除不可...[繼續(xù)閱讀]

    貝葉斯分類是統(tǒng)計(jì)學(xué)分類方法,它可以預(yù)測類成員關(guān)系的可能性,如給定樣本屬于一個(gè)特定類的概率。它基于如下的假定,即待考查的量遵循某概率分布,且可根據(jù)這些概率及已觀察到的數(shù)據(jù)進(jìn)行推理,以作出最優(yōu)的決策。樸素貝葉斯分類...[繼續(xù)閱讀]

    貝葉斯分類基于如下貝葉斯定理P(h|D)=(8.2.1)其中,D為訓(xùn)練數(shù)據(jù);h∈H,而H為候選假設(shè)集合;P(h|D)稱為h的后驗(yàn)概率(posteriorprobability),因?yàn)樗从沉嗽诳吹接?xùn)練數(shù)據(jù)D后h成立的置信度;P(h)稱為h的先驗(yàn)概率(priorprobability),它反映了關(guān)于h是一正確假...[繼續(xù)閱讀]

    8.3.1　貝葉斯算法在高光譜地面實(shí)測數(shù)據(jù)礦物識(shí)別中的應(yīng)用1.實(shí)驗(yàn)數(shù)據(jù)選擇和預(yù)處理通過“基于演化數(shù)據(jù)挖掘的鈾礦床高光譜遙感信息處理軟件”從鈾黑和瀝青鈾礦的預(yù)處理光譜曲線中提取光譜特征參數(shù)(表8-3-1),然后將光譜特征參數(shù)...[繼續(xù)閱讀]

    Kohavi提出了一種模型NBTree,它結(jié)合了決策樹和樸素貝葉斯網(wǎng)絡(luò)的特點(diǎn),在決策樹的葉子節(jié)點(diǎn)上利用NB來分類,NBTree的思想是將數(shù)據(jù)分割成不同的區(qū)間,未分類的實(shí)例在C4.5的樹結(jié)構(gòu)上自上而下地移動(dòng),并根據(jù)其屬性的取值到達(dá)不同的訓(xùn)練空間...[繼續(xù)閱讀]