应用生长、分级的SOM模型进行意识任务分类

提出一种使用生长、分级的自组织映射（growing hierarchical self-organizing map,GHSOM）模型进行基于EEG信号的意识任务分类来实现脑机接口技术的方法。GHSOM模型是自组织映射（self-organizing map,SOM）的一种变体,由多层的SOM组成,具有一定的分级结构,能够表达数据中不同层次的信息。同时研究了使用平均量化误差（mean quantization error,mqe）和量化误差（quantization error,qe）两种方法实现的GHSOM模型对意识任务分类的作用。结果表明,GHSOM模型对于意识任务的可分性能够提供可视化的信息,并且发现使用量化误差方法实现的GHSOM模型提供较多的数据信息和较高的分类精度。使用GHSOM模型进行了5类意识任务的分类,平均分类精度可达80％。     

基于SOM的野生秤锤树群落的空间分布和环境解释

本文采用自组织特征映射网络(self-organizing map, SOM)对南京老山野生秤锤树(Sinojackia xylocarpa)群落进行数量分类和排序, 分析了其与环境因子之间的关系。结果表明: (1) SOM将秤锤树野生群落的100个样方划分为5个群丛类型, 分类结果在空间上反映了秤锤树野生群落的演替变化趋势, 各群丛的群落结构和物种组成存在差异且群丛界限明显, 可较好地进行排序与分类的环境解释。(2)通过环境因子梯度的可视化方法, 确定了海拔、坡位和土壤厚度是影响该地区秤锤树生长和分布的主要因子, 同时也揭示了以不同优势种为代表的各群丛和环境因子的关系。(3) SOM可以摆脱许多定量技术的限制性假设, 使得神经网络对于群落生态特征及探索群落和环境相互关系具有良好展现力; SOM群落生态数据具有更高的映射能力, 进行群落分类以及较少程度的排序的潜力, 将有利于不同群落类型的分类和管理, 对于濒危植物保护具有重要意义。     

基于SOFM网络的生态水文区划

生态水文区划对缓解区域水资源开发利用和生态环境保护之间矛盾起到了重要作用。本文基于自组织特征映射(self-organizing feature map,SOFM)人工神经网络建立了生态水文区划模型。首先运用主成分分析法从众多生态水文指标中提取出能代表绝大部分信息的主成分指标;其次依据提取的主成分指标,利用系统聚类得到区域聚类谱系图;而后构建SOFM神经网络,依据网络结果和系统聚类谱系图,划分合理的生态水文区。以福建省泉州市为例进行了生态水文区划研究,将研究区划分为4类区域,各区域具有明显的生态水文特征,针对不同区域特征,提出了常规、加强、较为严格和最为严格4种生态环境保护和水资源开发策略。     

基于SOM聚类方法在临床检验知识发现中的应用

目的:探讨基于自组织特征映射网络的知识发现方法在建立应用临床检验项目的门诊患者聚类模型中的适用性,为临床检验决策支持系统的建立提供参考.方法:以2009-2011年西安市两所最大的综合医院的内科门诊患者就诊资料为训练样本,运用MatlabR2009b软件包中的SOM Tool Box工具箱建立应用临床检验项目的门诊患者的自组织映射网络聚类模型.用Excel软件绘制柱状图描述各组门诊患者的疾病特征.结果:自组织特征映射网络训练学习后,得出聚类结果,输出结果与临床检验决策真实值具有一定一致性,训练结果表明患者的聚类结果有一定的临床意义.患者性别、年龄、3年累计临床检验项目数、疾病特征对聚类模型的贡献较大.结论:自组织映射方法对应用临床检验项目的门诊患者聚类效果较好,具有较高的应用和推广价值,可为临床检验决策支持系统的研究提供方法学依据.     

一种青海湖流域消除植被光谱对土壤光谱影响的土壤有机质含量遥感估算方法

基于遥感技术手段快速测定区域尺度土壤有机质含量(SOM), 对气候、陆地生态系统和农业等领域具有重要的作用和意义。但现有的多光谱遥感影像因其波段宽度较窄, 包含的土壤有机质信息有限, 导致其估算结果的可靠性与精度较低。为此, 以青海湖流域为实证试验区, 将2016 年9 月底(此时, 青海湖流域牧草等植被停止生长, 土壤有机质积累达到全年最高)地面采集并测定的土壤有机质含量数据与同时期MODIS 黑空BRDF/Albedo 产品的宽、窄波段进行了对比与检验。发现: BRDF/Albedo 宽波段的相关性(近红外、短波波段相关系数分别为0.704 和 0.670)高于窄波段相关性(第2, 5, 6 波段的相关系数分别是0.583、0.631 和0.625), 证实了宽波段含有更加丰富、完整的土壤有机质含量信息。为了进一步提高SOM 估算的精度, 基于梯形方法构建了宽波段近红外反照率/植被覆盖度梯形特征空间,从宽波段近红外反照率(包含植被、土壤混合光谱)中成功分离出裸土反照率, 并分别构建了SOM 遥感估算模型。经验证,消除了植被对土壤光谱影响的裸土反照率模型精度(均方根误差为16.87、平均绝对百分比误差为30.0%, 希尔不等系数为0.22)高于宽波段近红外反照率模型精度(均方根误差为20.12、平均绝对百分比误差为31.0%, 希尔不等系数为0.27)。该方法简单易操作, 不仅有助于提高表层土壤有机质含量遥感估算的精度, 也可为土壤其他属性如N, P等元素含量的遥感估算提供了新思路。     

基于优化核参数支持向量机的意识任务分类

根据支持向量机的基本原理,给出一种推广误差上界估计判据,并利用该判据进行最优核参数的自动选取。对三种不同意识任务的脑电信号进行多变量自回归模型参数估计,作为意识任务的特征向量,利用支持向量机进行训练和分类测试。分类结果表明,优化核参数的支持向量机分类器取得了最佳的分类效果,分类正确率明显高于径向基函数神经网络。     

红壤区土壤有机质和全氮含量的空间预测方法

如何利用有限的土壤采样点准确预测土壤属性一直是研究的热点。近些年来,结合辅助信息的克里格空间插值应用广泛,但将土地利用类型信息作为辅助变量提高预测精度的研究鲜有报道。以中国南方红壤丘陵区的余江县为案例区,用网格法采集254个土壤样品,通过普通克里格(OK)和以土地利用方式为辅助变量的克里格(KLU)方法对土壤有机质(SOM)和土壤全氮(STN)进行空间预测,并通过102个验证点比较了两种方法的预测精度。分析表明KLU对SOM和STN的预测值与实测值的相关系数(rSOM=0.786,rSTN=0.803)明显高于OK(rSOM′=0.224,rSTN′=0.307);OK对SOM和STN的预测RMSE分别为12.48g.kg-1和0.64g.kg-1,而KLU的预测RMSE分别为6.86g.kg-1和0.37g.kg-1,仅为前者的55%和58%。可见,KLU对研究区SOM和STN的预测精度均大幅提高。同时分析也表明,KLU对不同土地利用方式SOM和STN预测精度的提高幅度存在差异,其中对旱地预测精度的提高幅度最大,对林地预测精度的提高幅度最小,水田则介于两者之间。研究表明,KLU是南方红壤丘陵区进行SOM和STN空间预测的现实和高效方法。     

基于无人机多源遥感数据的亚热带森林树种分类

树种多样性是生态学研究的重要内容,树木的种类和空间分布信息可有效服务于可持续森林管理。但在复杂林分条件下,获取高精度分类结果的难度大。而无人机遥感可获取局域超精细数据,为树种分类精度的提高提供了可能。基于可见光、高光谱、激光雷达等多源无人机遥感数据,探究其在亚热带林分条件下的树种分类潜力。研究发现:(1)随机森林分类器总体精度和各树种的F1分数最高,适合亚热带多树种的分类制图,其区分13种类别(8乔木,4草本)的总体精度为95.63%,Kappa系数为0.948;(2)多源数据的使用可以显著提高分类精度,全特征模型精度最高,且高光谱和激光雷达数据显著影响全特征模型分类精度,可见光纹理数据作用较小;(3)分类特征重要性从大到小排序为结构信息,植被指数,纹理信息,最小噪声变换分量。     

典型喀斯特小流域不同植被类型间土壤养分的差异性及其空间预测方法

植被类型制约着土壤结构和元素的异质化过程,致使土壤养分空间分布存在差异性.本文研究了典型喀斯特小流域不同植被类型间土壤养分(全氮TN、全磷TP、全钾TK、有机质SOM)含量分布的差异性,分析比较了普通克里金、回归模型、基于植被类型的回归模型对土壤养分预测的精度.结果表明: TN、TK、SOM与植被类型显著相关(P<0.05),TP与植被类型无显著相关(P=0.390),且TN和SOM在灌木林与耕地之间的差异性显著,TK在乔木林与灌草丛、灌木林与耕地、灌草丛与耕地间的含量差异皆显著;非连续的典型喀斯特小流域地形因子空间异质性较高,基于各样点间真实地形因子的多元线性回归预测模型精度优于基于已知点和预测点位置信息的普通克里金预测方法,且基于植被类型的回归预测模型提高了TN的预测精度.     

SC-BPSO:肝癌分类中一种融合过滤器的二进制粒子群算法特征的选择方法

癌症的早期诊断能够显著提高癌症患者的存活率,在肝细胞癌患者中这种情况更加明显。机器学习是癌症分类中的有效工具。如何在复杂和高维的癌症数据集中,选择出低维度、高分类精度的特征子集是癌症分类的难题。本文提出了一种二阶段的特征选择方法SC-BPSO:通过组合Spearman相关系数和卡方独立检验作为过滤器的评价函数,设计了一种新型的过滤器方法——SC过滤器,再组合SC过滤器方法和基于二进制粒子群算法(BPSO)的包裹器方法,从而实现两阶段的特征选择。并应用在高维数据的癌症分类问题中,区分正常样本和肝细胞癌样本。首先,对来自美国国家生物信息中心(NCBI)和欧洲生物信息研究所(EBI)的130个肝组织microRNA序列数据(64肝细胞癌,66正常肝组织)进行预处理,使用MiRME算法从原始序列文件中提取microRNA的表达量、编辑水平和编辑后表达量3类特征。然后,调整SC-BPSO算法在肝细胞癌分类场景中的参数,选择出关键特征子集。最后,建立分类模型,预测结果,并与信息增益过滤器、信息增益率过滤器、BPSO包裹器特征选择算法选出的特征子集,使用相同参数的随机森林、支持向量机、决策树、KNN四种分类器分类,对比分类结果。使用SC-BPSO算法选择出的特征子集,分类准确率高达98.4%。研究结果表明,与另外3个特征选择算法相比,SC-BPSO算法能有效地找到尺寸较小和精度更高的特征子集。这对于少量样本高维数据的癌症分类问题可能具有重要意义。