因无人机机载激光雷达(Light detection and ranging,LiDAR)数据具有离散性,在生成数字高程模型(Digital elevation model,DEM)时需选择有效插值方法。以荒漠植被区为研究背景,使用零均值标准化方法归一化点云回波强度,利用肘方法确定...因无人机机载激光雷达(Light detection and ranging,LiDAR)数据具有离散性,在生成数字高程模型(Digital elevation model,DEM)时需选择有效插值方法。以荒漠植被区为研究背景,使用零均值标准化方法归一化点云回波强度,利用肘方法确定最佳聚类数目,采用K-means方法对点云强度值聚类得到地面点云。在此基础上,采用克里金(Kriging)方法插值抽稀率为20%和80%的地面点云数据,且将点云高程作为变量,建立RBF神经网络预测模型,并通过线性回归检验方法对模型进行精度分析,采用Delaunay三角网内插生成高精度DEM。结果表明:采用K-means方法实现最佳聚类数目为4的聚类,得到地面点云48722个,在点云较优抽稀率20%的情况下,径向基函数神经网络(Radical basis function neural network,RBFNN)训练时间为56s,点云高程预测的决定系数R2为0.887,均方根误差RMSE为0.168m。说明使用RBFNN对K-means聚类滤波得到的地面点云进行高程预测效果较好,可为基于点云构建高精度DEM提供参考。展开更多
不平衡类问题在现实生活中普遍存在,表现为一个类的实例数明显多于另一个类的实例数,其类分布不平衡这一特征导致了传统的分类方法不能很好地处理该类问题.本文将k-means和逻辑回归模型相结合,提出一种叫做ILKL(Imbalanced Learning bas...不平衡类问题在现实生活中普遍存在,表现为一个类的实例数明显多于另一个类的实例数,其类分布不平衡这一特征导致了传统的分类方法不能很好地处理该类问题.本文将k-means和逻辑回归模型相结合,提出一种叫做ILKL(Imbalanced Learning based on K-means and Logistic Regression)的算法处理不平衡类问题.首先,ILKL使用聚簇方法将多数类划分成一个个子簇,以重新平衡数据集,然后在相对的平衡的数据集上学习逻辑回归模型.UCI数据集上的实验结果显示,与传统方法相比,本文方法在召回率、g-mean和f-measure等指标上表现出更好的性能.展开更多
依据人类AD(Alzheimer's Disease)相关蛋白质相互作用网络图,利用基于算术平均最小值——AAMV(Arithmetic Average Minimum Value)的K-means聚类方法对蛋白质进行聚类并预测4个孤立蛋白质的功能。分析结果表明:所得结果与用Maryland...依据人类AD(Alzheimer's Disease)相关蛋白质相互作用网络图,利用基于算术平均最小值——AAMV(Arithmetic Average Minimum Value)的K-means聚类方法对蛋白质进行聚类并预测4个孤立蛋白质的功能。分析结果表明:所得结果与用Maryland Bridge法及Korbel法所得结果非常相似。展开更多
文摘因无人机机载激光雷达(Light detection and ranging,LiDAR)数据具有离散性,在生成数字高程模型(Digital elevation model,DEM)时需选择有效插值方法。以荒漠植被区为研究背景,使用零均值标准化方法归一化点云回波强度,利用肘方法确定最佳聚类数目,采用K-means方法对点云强度值聚类得到地面点云。在此基础上,采用克里金(Kriging)方法插值抽稀率为20%和80%的地面点云数据,且将点云高程作为变量,建立RBF神经网络预测模型,并通过线性回归检验方法对模型进行精度分析,采用Delaunay三角网内插生成高精度DEM。结果表明:采用K-means方法实现最佳聚类数目为4的聚类,得到地面点云48722个,在点云较优抽稀率20%的情况下,径向基函数神经网络(Radical basis function neural network,RBFNN)训练时间为56s,点云高程预测的决定系数R2为0.887,均方根误差RMSE为0.168m。说明使用RBFNN对K-means聚类滤波得到的地面点云进行高程预测效果较好,可为基于点云构建高精度DEM提供参考。
文摘不平衡类问题在现实生活中普遍存在,表现为一个类的实例数明显多于另一个类的实例数,其类分布不平衡这一特征导致了传统的分类方法不能很好地处理该类问题.本文将k-means和逻辑回归模型相结合,提出一种叫做ILKL(Imbalanced Learning based on K-means and Logistic Regression)的算法处理不平衡类问题.首先,ILKL使用聚簇方法将多数类划分成一个个子簇,以重新平衡数据集,然后在相对的平衡的数据集上学习逻辑回归模型.UCI数据集上的实验结果显示,与传统方法相比,本文方法在召回率、g-mean和f-measure等指标上表现出更好的性能.
