学位论文 > 优秀研究生学位论文题录展示

基于半监督学习的渭河水质定量遥感研究

作　者: 马蕾
导　师: 汪西莉
学　校: 陕西师范大学
专　业: 计算机应用技术
关键词: 渭河遥感影像水质监测半监督学习支持向量机协同训练参数选择
分类号: P333.6
类　型: 硕士论文
年　份: 2010年
下　载: 120次
引　用: 2次
阅　读: 论文下载

内容摘要

渭河流域陕西段土地肥沃物产丰富,是我国重要的种植业和畜牧业产地,是陕西的政治、经济、文化发展中心。然而,随着人口增加,城镇工业发展,水资源短缺、水质污染等水质恶化问题日趋严重,直接危害了流域的生态环境和人民的生产生活,制约了经济的发展。因此渭河流域陕西段进行水质监测有着重要的现实意义。传统的水质监测方法受到人力、物力、气候等多种客观条件的限制,难以实现连续、快速地跟踪调查与分析。利用遥感数据和实地水质监测数据,建立水质遥感反演模型,实现水质遥感监测,弥补了传统方法的不足,可以全面、快速、动态的对水质环境进行监测,但受到客观条件的影响,实地的水质数据难以大量获取,因此利用半监督学习理论,以大量易获取的遥感影像数据为未标记样本数据,建立半监督的遥感水质反演模型,可以有效解决水质监测问题。本文以渭河流域陕西段为研究对象,总结概述了水质的遥感监测原理和研究区域概况,分析了半监督学习理论,特别是半监督回归问题的研究方法,介绍了统计学习理论和支持向量机等相关理论知识。本文主要的研究工作包括：(1)介绍了两种常见的用于优选支持向量机参数的智能优化算法,粒子群算法和遗传算法。介绍了粒子群优化算法(PSO)的基本原理,利用半监督自训练方法的思想,对标准的基于PSO的支持向量机回归模型(PSO-SVM)加以改进,建立了基于粒子群算法支持向量机的半监督回归模型(PSSRM),将其应用于渭河水质的定量遥感反演中,并将反演结果与基于粒子群算法的支持向量机回归模型(PSO-SVM)相比较。该回归模型在一定程度上提高了回归精度,具有收敛速度快、调节参数少、易实现等优点。(2)介绍了协同训练算法和遗传算法的基本理论和原理,将协同训练算法与基于GA优选参数的SVM回归模型(GA-SVM)相结合,建立了GA优选参数的半监督协同训练回归模型(GSSRCM),将其应用于渭河水质定量遥感反演中,并将回归结果与GA-SVM相比较。该模型克服了PSO模型不稳定、精度较低、易发散等缺点,引入了未标记样本,与传统的GA-SVM模型相比较,有效提高了回归精度和模型的推广性,可有效地对各类水质变量进行反演预测。实验结果表明,基于半监督学习的回归模型可以有效实现渭河陕西段的遥感水质定量反演预测。本文将GSSRCM回归模型应用于渭河流域陕西段的整体河流的水质变量反演中,预测结果与实际状况相符合,进一步证明了该模型的有效性。

全文目录

摘要  3-4
Abstract  4-8
第1章绪论  8-14
  1.1 研究背景和意义  8-9
  1.2 国内外研究现状  9-11
    1.2.1 水质遥感监测技术研究现状  9-10
    1.2.2 半监督学习研究现状  10-11
  1.3 论文主要研究内容及组织  11-14
第2章水质遥感监测的原理和研究区域概况  14-22
  2.1 水质遥感监测的原理  14
  2.2 水质遥感监测的指标及常用数据  14-16
    2.2.1 水质可遥感指标  14-15
    2.2.2 水质监测常用遥感数据  15-16
  2.3 研究区域概况  16-20
    2.3.1 渭河流域地理和水环境概况  16-18
    2.3.2 渭河陕西段数据分析与预处理  18-20
  2.4 本章小结  20-22
第3章半监督学习理论和支持向量机理论  22-30
  3.1 半监督学习理论概述  22
  3.2 半监督学习方法  22-24
  3.3 半监督回归问题的研究  24-25
  3.4 统计学习理论和支持向量机  25-28
    3.4.1 统计学习理论  25-27
    3.4.2 支持向量机回归  27-28
  3.5 本章小结  28-30
第4章 PSO-SVM半监督回归模型(PSSRM)的建立和应用  30-40
  4.1 基于PSO的支持向量机参数优选  30-32
    4.1.1 PSO算法基本原理  30-31
    4.1.2 PSO算法优选SVM参数  31
    4.1.3 k-折交叉验证  31-32
  4.2 模型的建立和应用  32-39
    4.2.1 PSSRM模型的构建  32-33
    4.2.2 PSSRM在渭河水质定量遥感反演中的应用和分析  33-39
  4.3 本章小结  39-40
第5章 GA优选参数的半监督协同训练回归模型(GSSCRM)的建立及应用  40-54
  5.1 半监督协同训练算法  40-41
  5.2 GA优选SVM参数  41-43
    5.2.1 GA的基本要素  41-43
    5.2.2 GA优选SVM参数基本步骤  43
  5.3 基于GSSCRM的渭河水质定量遥感反演  43-50
    5.3.1 基于GSSCRM的渭河水质定量遥感反演模型的构建  43-45
    5.3.2 模型预测结果分析与比较  45-50
  5.4 CSSRM渭河水质定量遥感反演模型在渭河陕西段应用  50-53
  5.5 本章小结  53-54
第6章总结与展望  54-58
  6.1 全文总结  54-55
  6.2 研究展望  55-58
参考文献  58-64
致谢  64-66
攻读硕士学位期间的研究成果  66

基于半监督学习的渭河水质定量遥感研究

内容摘要

全文目录

相似论文