陈其昌
- 作品数:4 被引量:20H指数:3
- 供职机构:华南农业大学更多>>
- 发文基金:广东省自然科学基金国家科技攻关计划广东省科技攻关计划更多>>
- 相关领域:自动化与计算机技术经济管理更多>>
- 多种分类器在农用地分等中的应用及其用法改良被引量:4
- 2007年
- 以广东省第二次土壤普查成果资料为主要数据源,选取贝叶斯决策、BP神经网络、概率神经网络、聚类等分类方法分别对数据源进行分类;并且,笔者为了充分利用有监督学习分类准确率高和无监督学习无需标定的学习样本的优点,提出了基于监督--非监督的聚类算法,然后对上述五种方法的评价结果作了比较分析;实验表明文章提出的基于监督--非监督聚类方法只利用少量的有标定学习样本,即可得到较高的分类准确率,特别在少量样本时,该方法能得到比贝叶斯决策方法、BP神经网络和概率神经网络等监督学习方法更好的土地评价结果;在实际应用中,可以尝试结合监督和非监督学习的方法,实现分类正确率和获取大量有类标签的样本之间的折中。
- 陈其昌薛月菊胡月明杨敬锋陈志民
- 关键词:贝叶斯决策BP神经网络概率神经网络
- 基于概率神经网络的广东省土地资源评价被引量:13
- 2006年
- 用概率神经网络的方法,以广东省土地资源为对象进行了土地资源评价的研究,并与BP网络的评价结果作了比较.结果表明,用概率神经网络进行评价的结果比BP网络的评价结果更加准确,更加切合实际情况,一定程度上避免了人为因素的干扰,提高了土地资源评价的准确性.
- 薛月菊胡月明杨敬锋陈其昌
- 关键词:概率神经网络土地资源评价BP网络
- 融合监督学习与凝聚层次聚类的土地评价方法被引量:4
- 2007年
- 由于专家能够对土地资源标定类别的数量是非常有限的,提出利用少量已知类别的训练样本抽取其中的关联规则作为监督信息,结合非监督方法中的变色龙算法,以互连性和相似度作为评价标准进行分类的方法。该算法充分利用监督学习分类准确率高和非监督学习无需标定学习样本的优点,只需利用少量带标签的学习样本,即可得到较高的分类准确率。通过对广东省土地资源的评价实验,表明仅随机选取300组训练样本即可得到较高的土地评价准确率94.4184%,比同样条件下聚类分析的准确率高4.9041%。
- 陈志民杨敬锋陈其昌张嘉琪陈强
- 关键词:非监督学习聚类APRIORI算法
- 基于监督-非监督学习的土地评价方法研究
- 土地评价是土地利用与规划的关键步骤,是土壤科学研究的主要内容之一。土地评价一直是一个较为复杂的问题,不同地区对农业生产具有不同的影响因子,各影响因子对不同的生产目标又存在不同的作用,选取评价指标和确定权重仍然存在困难。另...
- 陈其昌
- 关键词:神经网络贝叶斯决策土地利用数据挖掘聚类方法非监督学习
- 文献传递