| 【中文题名】 | 贝叶斯专家系统分类器中专家知识的自动提取研究与应用 |
| 【英文题名】 | Research and Application on the Knowledge Auto-extraction in Bayesian Expert System Classifier |
| 【学科专业】 | 环境科学与工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-6-27 |
| 【中关键词】 | 遥感,贝叶斯专家系统分类,条件概率,景观分类,BESCKAM, |
| 【英关键词】 | Remote Sensing,Bayesian Expert System,Classification,Conditional Probability,Landscape Classification,BESCKAM, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>> |
| 【论文摘要】 |
在应用遥感技术获取地球资源信息的过程中,影像分类和地物信息解译是一项基础性工作。在诸多影像分类方法中,专家系统分类方法能够综合利用遥感影像光谱数据,地理信息数据及环境数据,基于专家知识实现计算机自动分类,从而能够有效识别地物类型,分类精度较常规分类方法有显著提高。然而,长期以来专家知识库建立过程中存在的瓶颈问题,一直未能得到很好解决;传统由领域专家或知识工程师手动建立专家知识库的方式需要消耗大量时间和精力,并且具有很高的操作要求,严重限制了专家系统分类方法的应用。
本论文重点解决如何实现贝叶斯专家系统分类器中专家知识自动提取和建立知识库的问题。研究中分析了专家知识提取相关过程,并得出现有贝叶斯专家系统分类器应用的瓶颈问题。通过对参考样点进行统计分析,得出了专家知识自动提取的方法、即分类类型先验概率和条件概率的估计方法。在此基础上研究实现了具有专家知识自动提取功能的贝叶斯专家系统分类器BESCKAM,并应用可控制的模拟数据对专家知识自动提取效果进行验证。
BESCKAM分类器建立后,应用于秦岭佛坪自然保护区和北京燕房工业区景观分类研究中,实现从具体的实地参考样点中提取专家知识和分类解译... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
Abstract |
4-13 |
|
第1章 引言 |
13-18 |
|
1.1 研究背景 |
13-15 |
|
1.1.1 遥感技术应用与挑战 |
13-14 |
|
1.1.2 专家系统分类方法及其瓶颈 |
14-15 |
|
1.1.3 专家知识自动提取及专家系统分类器用于遥感分类 |
15 |
|
1.2 选题、目的与意义 |
15-16 |
|
1.3 科学问题 |
16-17 |
|
1.4 论文结构及内容 |
17-18 |
|
第2章 文献综述 |
18-32 |
|
2.1 专家系统与专家知识 |
18-19 |
|
2.1.1 专家系统 |
18 |
|
2.1.2 专家知识 |
18-19 |
|
2.2 遥感专家系统分类方法 |
19-24 |
|
2.2.1 遥感与影像分类 |
19-20 |
|
2.2.2 专家系统分类方法 |
20-21 |
|
2.2.3 贝叶斯专家系统分类器 |
21-24 |
|
2.3 知识发现与空间知识发现 |
24-26 |
|
2.3.1 知识发现与数据挖掘 |
24-25 |
|
2.3.2 知识发现的方法 |
25 |
|
2.3.3 空间知识发现 |
25-26 |
|
2.4 基于空间知识发现的遥感专家系统分类 |
26-27 |
|
2.5 国内外研究进展 |
27-29 |
|
2.6 存在问题 |
29-30 |
|
2.7 研究与发展趋势 |
30-32 |
|
第3章 研究区域与研究方法 |
32-47 |
|
3.1 研究区域选择与数据准备 |
32-41 |
|
3.1.1 秦岭佛坪自然保护区 |
32-37 |
|
3.1.2 北京房山燕房工业区 |
37-41 |
|
3.2 研究方法与技术路线 |
41-44 |
|
3.2.1 研究技术路线 |
41 |
|
3.2.2 核心步骤研究方法 |
41-43 |
|
3.2.3 专家知识自动提取模块与贝叶斯专家系统分类器的实现 |
43-44 |
|
3.3 相关步骤技术细节 |
44-47 |
|
3.3.1 分类属性数据的标准格式 |
44-45 |
|
3.3.2 分类样点和检验样点划分 |
45 |
|
3.3.3 参考信息获取 |
45 |
|
3.3.4 精度评价与结果输出 |
45-47 |
|
第4章 贝叶斯专家系统分类器的瓶颈问题识别与解决 |
47-66 |
|
4.1 引言 |
47-49 |
|
4.1.1 专家知识手动获取方式 |
47-49 |
|
4.1.2 专家知识获取的瓶颈 |
49 |
|
4.2 BESCKAM 分类器设计及实现方法 |
49-58 |
|
4.2.1 专家知识自动提取方法设计 |
50-56 |
|
4.2.2 BESCKAM 分类器模块实现 |
56-58 |
|
4.3 BESCKAM 分类器关键界面与系统验证 |
58-64 |
|
4.3.1 分类器模块关键界面 |
58-61 |
|
4.3.2 分类器系统验证 |
61-64 |
|
4.4 讨论与分析 |
64-65 |
|
4.4.1 专家知识自动提取方法 |
64 |
|
4.4.2 BESCKAM 分类器的特点 |
64-65 |
|
4.5 结论 |
65-66 |
|
第5 章 BESCKAM 分类器的应用与评价 |
66-75 |
|
5.1 引言 |
66-67 |
|
5.2 研究区域 |
67-68 |
|
5.2.1 秦岭佛坪自然保护区中部地区 |
67 |
|
5.2.2 北京房山燕房工业区 |
67-68 |
|
5.3 研究方法 |
68-69 |
|
5.3.1 专家知识自动提取和专家知识库建立 |
68 |
|
5.3.2 贝叶斯推理与专家系统分类 |
68 |
|
5.3.3 分类结果精度评价 |
68-69 |
|
5.4 研究结果 |
69-73 |
|
5.4.1 专家知识自动提取模块得到的专家知识 |
69 |
|
5.4.2 BESCKAM 分类器分类结果及精度 |
69-73 |
|
5.5 分析讨论 |
73-74 |
|
5.5.1 BESCKAM 分类器分类精度分析 |
73 |
|
5.5.2 BESCKAM 分类器分类效率分析 |
73-74 |
|
5.6 结论 |
74-75 |
|
第6章 结论 |
75-77 |
|
6.1 主要研究结论 |
75 |
|
6.2 存在问题及建议 |
75-77 |
|
参考文献 |
77-82 |
|
致谢 |
82-83 |
|
附录A 应用BESCKAM 模块得到的佛坪保护区景观类型专家知识库. |
83-98 |
|
附录B 应用BESCKAM 模块得到的燕房工业区景观类型专家知识库.. |
98-109 |
|
个人简历、在学期间发表的学术论文与研究成果 |
109 |
|
| 【DOI】 | LunWen.ID:2.2008.388604 |
