中低分辨率在轨运行卫星遥感器的调制传递函数（Modulation Transfer Function，MTF）的监测一直是研究的难题。现提出的方法解决了中低分辨率在轨运行卫星遥感器MTF监测的关键技术。考虑到卫星遥感器的最终产物是遥感图像，从图像信息...中低分辨率在轨运行卫星遥感器的调制传递函数（Modulation Transfer Function，MTF）的监测一直是研究的难题。现提出的方法解决了中低分辨率在轨运行卫星遥感器MTF监测的关键技术。考虑到卫星遥感器的最终产物是遥感图像，从图像信息理解的三要素出发，即灰度、纹理和边缘，分析图像三要素与遥感器MTF的关系。在分析过程中，应用主成分分析方法，不仅对多组原始数据进行了简化，而且对图像参数进行了降维。通过与其它方法的比较，进一步验证了使用主成分分析方法降维的有效性；同时实验结果亦表明了主成分分析方法的可靠性。最后建立了图像单个综合参数与MTF的关系模型，拟合结果说明，此模型能较好地表达图像参数与MTF之间的关系，这将为在轨运行条件下的建模提供十分重要的技术支持。展开更多
提出了一种基于最小二乘支持向量机的织物剪切性能预测模型,并且采用遗传算法进行最小二乘支持向量机的参数优化,将获得的样本进行归一化处理后,将其输入预测模型以得到预测结果.仿真结果表明,基于最小二乘支持向量机的预测模型比BP神...提出了一种基于最小二乘支持向量机的织物剪切性能预测模型,并且采用遗传算法进行最小二乘支持向量机的参数优化,将获得的样本进行归一化处理后,将其输入预测模型以得到预测结果.仿真结果表明,基于最小二乘支持向量机的预测模型比BP神经网络和线性回归方法具有更高的精度和范化能力.
Abstract：
A new method is proposed to predict the fabric shearing property with least square support vector machines ( LS-SVM ). The genetic algorithm is investigated to select the parameters of LS-SVM models as a means of improving the LS- SVM prediction. After normalizing the sampling data, the sampling data are inputted into the model to gain the prediction result. The simulation results show the prediction model gives better forecasting accuracy and generalization ability than BP neural network and linear regression method.展开更多
文摘中低分辨率在轨运行卫星遥感器的调制传递函数（Modulation Transfer Function，MTF）的监测一直是研究的难题。现提出的方法解决了中低分辨率在轨运行卫星遥感器MTF监测的关键技术。考虑到卫星遥感器的最终产物是遥感图像，从图像信息理解的三要素出发，即灰度、纹理和边缘，分析图像三要素与遥感器MTF的关系。在分析过程中，应用主成分分析方法，不仅对多组原始数据进行了简化，而且对图像参数进行了降维。通过与其它方法的比较，进一步验证了使用主成分分析方法降维的有效性；同时实验结果亦表明了主成分分析方法的可靠性。最后建立了图像单个综合参数与MTF的关系模型，拟合结果说明，此模型能较好地表达图像参数与MTF之间的关系，这将为在轨运行条件下的建模提供十分重要的技术支持。
文摘提出了一种基于最小二乘支持向量机的织物剪切性能预测模型,并且采用遗传算法进行最小二乘支持向量机的参数优化,将获得的样本进行归一化处理后,将其输入预测模型以得到预测结果.仿真结果表明,基于最小二乘支持向量机的预测模型比BP神经网络和线性回归方法具有更高的精度和范化能力.
Abstract：
A new method is proposed to predict the fabric shearing property with least square support vector machines ( LS-SVM ). The genetic algorithm is investigated to select the parameters of LS-SVM models as a means of improving the LS- SVM prediction. After normalizing the sampling data, the sampling data are inputted into the model to gain the prediction result. The simulation results show the prediction model gives better forecasting accuracy and generalization ability than BP neural network and linear regression method.
