导读:本文包含了决策树分类方法论文开题报告文献综述及选题提纲参考文献，主要关键词:湿地,分类,面向对象特征,决策树
决策树分类方法论文文献综述
杨朝辉,白俊武,陈志辉,钱新强[1]（2019）在《利用Sentinel-2A影像的面向对象特征湿地决策树分类方法》一文中研究指出苏州市湿地众多、类型多样化、周围环境复杂,使用传统的遥感分类方法很难得到精度较高的湿地分类结果。研究了面向对象特征的湿地决策树分类方法,以苏州市澄湖地区为研究区域,使用欧空局的Sentinel-2A影像,先将研究区域分为湿地水体、植被和非植被3大类型,再分别构建鱼塘、河流、湖泊、农田和裸地等面向对象特征,据此实现湿地遥感分类。研究结果表明,该方法能够有效利用遥感影像提供的光谱特征、几何特征和纹理特征等多种丰富信息,产生较高的分类精度,总体分类精度可达80.67%,Kappa系数为77.80%。与传统的基于中低分辨率遥感影像的分类方法相比,该方法可以有效提取湿地不同地物对象的几何结构和纹理等特征,在提高湿地分类精度的同时实现对大面积湿地的快速动态监测。(本文来源于《测绘科学技术学报》期刊2019年03期）
姚博,张怀清,刘洋,刘华,凌成星[2]（2019）在《面向对象CART决策树方法的湿地遥感分类》一文中研究指出[目的]以北京地区为例,对大区域多类型湿地信息提取方法进行研究。[方法]采用面向对象多尺度分割算法及光谱差异分割算法分割Landsat8 OLI遥感影像,辅助Google Earth高清影像及2015年人工解译结果,使用分层抽样法随机产生训练样本与验证样本;综合运用光谱、形状、纹理特征及拓扑关系,构建CART决策树模型提取研究区湿地信息;与最大似然法、面向对象最邻近方法的分类结果进行对比。[结果]利用面向对象CART决策树方法,分类结果的总精度为88.05%,Kappa系数为0.844,相较于面向对象最邻近方法,总体精度、Kappa系数相差不大,但针对部分湿地类型,如河流、沼泽湿地,精度提高了10%～20%;比使用最大似然分类法的总精度高近30%,Kappa系数提高0.355。[结论]对于湿地分布广泛、类型及数量较多的地区,面向对象CART决策树方法分类结果较好,是一种快速、有效的分类方法。(本文来源于《林业科学研究》期刊2019年05期）
杨帆,王博[3]（2019）在《基于决策树的遥感图像分类方法研究》一文中研究指出在遥感领域中,遥感图像分类是一项十分重要的内容,也是运用遥感技术手段提取地物类别信息的一个关键环节。本文以TM影像为研究对象,采用决策树分类方法进行研究分析,详细地论述了该分类方法的整个研究流程,并得到分类后的结果图,最后利用混淆矩阵和Kappa系数对分类后的结果进行精度分析。通过与最大似然分类方法进行比较发现,决策树分类方法的分类效果明显,分类精度较高,总体分类精度、kappa系数均达到90%以上,为遥感图像分类提供了广阔的发展前景。(本文来源于《测绘与空间地理信息》期刊2019年07期）
张继超,周沛希,张永红[4]（2019）在《面向对象的多种特征极化SAR决策树分类方法》一文中研究指出针对目前极化合成孔径雷达(PolSAR)影像分类单一特征无法获得令人满意的分类结果的问题,该文设计了综合运用纹理和多种极化目标分解特征,结合面向对象分析及CART决策树的分类方法。为验证该方法的有效性,以北京市某区域全极化RADARSAT-2影像为例,按照"影像预处理—目标极化分解—特征参数优化选择—面向对象影像分割—多特征CART决策树分类"的总体思路进行实验,并在特征参数选择时充分考虑各参数之间的相关性、地物的散射特性和分类效果。结果表明:影像特征参数是PolSAR影像分类的关键,恰当的特征参数组合有利于获取准确的分类结果。(本文来源于《测绘科学》期刊2019年10期）
杜保佳,张晶,王宗明,毛德华,张淼[5]（2019）在《应用Sentinel-2A NDVI时间序列和面向对象决策树方法的农作物分类》一文中研究指出农作物种植结构是农业生产活动对土地利用的表现形式。及时精确地获取农作物的空间分布信息对指导农业生产、合理分配资源以及解决粮食安全问题等具有重要意义。目前农作物信息提取研究大多局限于中低分辨率遥感影像的NDVI时间序列,影响了作物空间分布信息提取的准确性。随着Sentinel-2A卫星成功发射,为高分辨率NDVI时间序列的构建提供了可能。本文以黑龙江省北安市为研究区,基于覆盖完整生育期的Sentinel-2A多光谱数据,构建10 m分辨率的NDVI时间序列数据集,利用Savitzky Golay (S-G)滤波器对Sentinel-2A NDVI时间序列数据进行平滑。基于典型时相的多光谱数据和NDVI时间序列构建面向对象决策树分类模型进行作物类型遥感识别。通过对样本的NDVI时间序列曲线分析,可以得出NDVI时间序列能够清晰地区分作物物候差异。此外,本文还利用面向对象分类和支持向量机(Support Vector Machine, SVM)分类两种方法,对典型时相的多光谱数据进行了作物分类对比实验,并对结果进行了对比分析。研究结果表明:①典型时相多光谱数据引入平滑重构后的NDVI时间序列能够更好地描述作物的物候特性,能够准确刻画研究区作物发育情况,有效区分各类作物;②通过对比分类实验发现,典型时相多光谱数据引入NDVI时间序列特征,增强了不同作物之间的光谱差异,提高了作物分类精度,总体精度和kappa系数较典型时相多光谱数据进行分类的结果分别提高了7.7%和0.055;③基于面向对象的决策树分类模型在作物分类的结果中精度最高,总体精度为96.2%,kappa系数为0.892。本研究的方法为其他大区域农作物的分类提供了重要参考和借鉴价值。(本文来源于《地球信息科学学报》期刊2019年05期）
黄禹侨[6]（2019）在《高维不均衡数据情形下一种基于随机投影的决策树集成分类方法》一文中研究指出随着时代的发展,高维不均衡数据越来越频繁地出现在各个领域,比如基因数据、信号数据、金融数据等;如何有效地对高维不均衡数据进行分类是一个重要的研究方向。为此,本文提出一种基于随机投影的决策树集成分类方法;并利用阈值移动的方式将该方法推广到高维不均衡数据的情形。在第二章,针对于高维数据的分类问题,本文提出一种基于随机投影的决策树集成学习方法Projection Forest(PJForest)。该方法以决策树为基分类器,利用一系列随机投影对数据进行降维,基于降维后的数据构建相应的一系列决策树,而后通过集成学习构造集成分类器。利用随机投影对数据进行降维,能保持数据几何结构的信息;更重要的是,随机投影通过对原始数据进行扰动,能丰富一系列决策树的多样性,经过集成可有效克服噪音的影响,进而提升PJForest的泛化能力。本文证明了PJForest泛化误差的极限性质,得到一定意义下泛化误差的收敛速度。本文做了大量的模拟研究,并对实际数据进行了实证分析。模拟研究的结果表明,PJForest能有效地对包含大量噪音的高维数据进行分类,比起已有的诸如随机森林、Xgboost等方法,有更好的分类性能。在第叁章,本文将PJForest方法推广到了高维不均衡数据的情形下,提出一种基于阈值移动的均衡化PJForest方法,Banlanced Projection Forest(BPJForest)。该方法通过改变投票阈值,移动决策边界,进而增强对少数类样本的分类表现,这使得BPJForest能对高维不均衡数据进行分类。当以均衡分类准确率(Balanced accuracy)作为不均衡数据分类的评价指标时,本文给出了一个最优阈值的选择方法。本文将PJForest泛化误差的极限性质推广到了BPJForest下,得到了相似的理论结果。本文做了模拟研究,模拟研究的结果表明,BPJForest能有效地对高维不均衡数据进行分类,比起已有的PJForest、RPF等方法,有更好的分类性能。(本文来源于《中国科学技术大学》期刊2019-05-14）
高宁化[7]（2019）在《基于动态模糊决策树的心电信号分类方法》一文中研究指出心电信号是人体心脏健康状况的直接反映,同时也是医生作心脏疾病诊断时的重要依据。随着医院存储数据越来越丰富以及人工智能算法在医学上的应用,基于心电信号的自动分析诊断技术已有大量研究,但是目前的疾病正确诊断率不高,仅作为医生诊断参考之用。因此,研究高准确率的自动分析诊断方法尤为重要。本文以单个周期的心电信号为研究对象,重点研究心电信号的特征提取方法及分类识别方法。主要研究工作包含以下几个部分:1.基于时频融合特征的心电信号特征提取方法研究。根据心电信号中R峰位置,将连续的心电信号按周期分割,对每一个周期的心电信号进行3层小波包分解,保留前4组小波包分量对信号进行重构,通过重构完成去噪,同时将对应系数矩阵的二范数作为心电信号的频域特征。然后提取心电信号各峰值与时间间期信息,作为时域特征。最后,以向量张成的方式将频域特征与时域特征进行融合,用融合后的特征向量表征心电信号。2.基于动态模糊决策树的心电信号分类方法研究。在决策树生长过程中,对当前结点的所有样本,分别在每个属性上进行模糊C均值(FCM)聚类,起到动态划分特征空间的作用,计算每一个属性划分前后的信息增益,选择信息增益最大的属性为分裂属性,当满足停止条件时停止决策树的生长,以此来构建决策树。利用MIT-BIH数据库中的数据进行了心电信号正异常分类及多类异常分类实验,识别准确率分别达到了99.14%和95.14%。3.心电信号检测诊断系统设计与实现。基于MATLAB软件平台及AD8232芯片、Arduino单片机硬件平台,设计了一套便携式的心电信号采集及诊断系统。通过对自采集的392组心电信号样本进行正异常自动分类,取得了93.88%的识别准确率。无论是标准数据库中的实验结果还是自采集数据的实验结果,都表明了本文所提方法的有效性,本文所提时频特征融合方法提取的特征能有效表征心电信号,改进的动态模糊决策树算法提高了心电信号分类精度,能作为心脏疾病诊断的辅助工具,对疾病预检具有重要意义。(本文来源于《西南科技大学》期刊2019-05-01）
张帆[8]（2019）在《基于半监督决策树与模糊推理的超声乳腺肿瘤分类方法研究》一文中研究指出随着超声成像成为乳腺癌早期筛查的主流手段,基于超声乳腺肿瘤图像的计算机辅助诊断技术越来越受到科研学者和临床专家的重视。然而,目前大多数超声乳腺肿瘤分类方法都依赖于低级图像特征,其诊断过程不能被医生理解。这类基于低级图像特征的方法十分依赖图像质量,在处理不同超声设备采集的图像时,无法保证性能的可靠性。此外,在超声乳腺肿瘤分类问题中,带有标注的样本稀缺,而目前大多数方法都无法在少量标注数据集上取得足够好的效果。这些问题一定程度上限制了超声乳腺肿瘤分类方法在临床中的应用和推广。本文针对这些问题提出了叁种具有较高可解释性的超声乳腺肿瘤分类方法。本文先利用BI-RADS特征打分方案和决策树算法,建立便于人类专家理解的乳腺肿瘤分类模型,极大的缩小了专家与计算机间的语义鸿沟。然后,在这一工作的基础上,提出半监督决策树算法,利用支持向量机分类超平面设计了伪标签机制,挖掘无标注数据信息,降低模型对有标注数据的依赖。最后,本文基于双聚类算法与模糊推理提出了一种模拟人类专家诊断思路的超声乳腺肿瘤分类方法。方法利用双聚类挖掘诊断模式,基于诊断模式构建诊断规则,利用模糊推理方法对超声乳腺肿瘤进行分类,在保证分类性能的同时,进一步提升了模型的可解释性。这叁种方法均引入了专家评分机制,特征提取不受图像质量的限制,可用于不同的超声设备采集的图像。本文使用1488例超声乳腺肿瘤数据对提出的叁个方法进行了验证。实验表明,本文提出的方法相比同类型方法具有更高的准确率、敏感度和阳性预测值,能够为临床医生的诊断提供帮助。(本文来源于《华南理工大学》期刊2019-04-10）
王春燕,王刘明,张媛,武磊,王万瑞[9]（2019）在《基于SEaTH的决策树方法在区域尺度土地覆被分类中的应用》一文中研究指出利用最大值合成法处理洮河流域2000年MODIS数据,得到归一化植被指数年最大值栅格数据,结合该区数字地面模型构造土地覆被分类数据集,采用SEaTH算法提取不同地类的特征阈值,构建决策树,对洮河青藏片区和黄土片区进行土地覆被分类,与NLCD-2000数据相对比进行精度评价.结果表明:决策树法能够较好实现洮河流域主要地物的识别并反映其宏观分布格局.青藏片区地物分类的总体精度为74%, Kappa系数为0.71;黄土片区地物分类的总体精度为63.8%, Kappa系数为0.57;青藏片区的分类效果总体要好于黄土片区.与最大似然法相比,决策树法在青藏片区的分类精度提高约10%,黄土片区分类精度提高约5%.(本文来源于《兰州大学学报(自然科学版)》期刊2019年01期）
王怀警,谭炳香,房秀凤,李世明,李太兴[10]（2018）在《C5.0决策树Hyperion影像森林类型精细分类方法》一文中研究指出以吉林省白河林业局为中心研究区,利用星载高光谱Hyperion数据并结合其他辅助数据,综合利用影像光谱特征、纹理特征、地形特征、典型地类和主要森林类型外业调查样本数据,探究针对C5.0决策树算法的高光谱影像土地覆盖类型多层次信息提取与森林类型识别的有效方法。在分析典型地物光谱特征的基础上,优选8种纹理特征,引入主成分分量及与主要森林类型空间分布相关的敏感地形因子,采用分层分类的策略,根据光谱特征将地类划分层次,在层次间建立基于C5.0决策树算法的决策树模型,对研究区的地类进行细分。为便于对比,以相同的策略采用支持向量机(SVM)分类器进行分类。最后,结合野外采集样本并参考高分辨率影像,采用分层随机抽样的独立检验样本对森林类型精细识别结果进行精度验证。结果表明:C5.0决策树算法可综合利用高光谱影像的光谱、纹理及其他辅助数据,自动寻找出区分各类别的最佳特征变量及分割阈值,运算速度快,占用内存较小且无需人为参与,其分类精度达到优势树种级别,总体分类精度达81.9%,Kappa系数0.709 8。(本文来源于《浙江农林大学学报》期刊2018年04期）
决策树分类方法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
[目的]以北京地区为例,对大区域多类型湿地信息提取方法进行研究。[方法]采用面向对象多尺度分割算法及光谱差异分割算法分割Landsat8 OLI遥感影像,辅助Google Earth高清影像及2015年人工解译结果,使用分层抽样法随机产生训练样本与验证样本;综合运用光谱、形状、纹理特征及拓扑关系,构建CART决策树模型提取研究区湿地信息;与最大似然法、面向对象最邻近方法的分类结果进行对比。[结果]利用面向对象CART决策树方法,分类结果的总精度为88.05%,Kappa系数为0.844,相较于面向对象最邻近方法,总体精度、Kappa系数相差不大,但针对部分湿地类型,如河流、沼泽湿地,精度提高了10%～20%;比使用最大似然分类法的总精度高近30%,Kappa系数提高0.355。[结论]对于湿地分布广泛、类型及数量较多的地区,面向对象CART决策树方法分类结果较好,是一种快速、有效的分类方法。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
决策树分类方法论文参考文献
[1].杨朝辉,白俊武,陈志辉,钱新强.利用Sentinel-2A影像的面向对象特征湿地决策树分类方法[J].测绘科学技术学报.2019
[2].姚博,张怀清,刘洋,刘华,凌成星.面向对象CART决策树方法的湿地遥感分类[J].林业科学研究.2019
[3].杨帆,王博.基于决策树的遥感图像分类方法研究[J].测绘与空间地理信息.2019
[4].张继超,周沛希,张永红.面向对象的多种特征极化SAR决策树分类方法[J].测绘科学.2019
[5].杜保佳,张晶,王宗明,毛德华,张淼.应用Sentinel-2ANDVI时间序列和面向对象决策树方法的农作物分类[J].地球信息科学学报.2019
[6].黄禹侨.高维不均衡数据情形下一种基于随机投影的决策树集成分类方法[D].中国科学技术大学.2019
[7].高宁化.基于动态模糊决策树的心电信号分类方法[D].西南科技大学.2019
[8].张帆.基于半监督决策树与模糊推理的超声乳腺肿瘤分类方法研究[D].华南理工大学.2019
[9].王春燕,王刘明,张媛,武磊,王万瑞.基于SEaTH的决策树方法在区域尺度土地覆被分类中的应用[J].兰州大学学报(自然科学版).2019
[10].王怀警,谭炳香,房秀凤,李世明,李太兴.C5.0决策树Hyperion影像森林类型精细分类方法[J].浙江农林大学学报.2018