提出了一种高光谱遥感图像半监督分类算法DE-self-training。利用少量标记样本作为初始训练集,基于改进的Self-training算法构建初始分类器,对未标记样本进行预测;然后从分类结果中按一定比例随机选取部分样本,连同其类别标记一起加入训练集中,再用扩大的训练集重新训练分类器,并对剩余的未标记样本进行预测。如此迭代地进行训练-预测-挑选样本扩大训练集过程。同时,在迭代训练过程中,运用基于最近邻域规则的数据剪辑策略对扩大训练集时产生的误标记样本进行过滤,以保证训练集的质量,不断迭代地训练出更精确的分类器,最终使所有未标记样本都获得类别标记。以AVIRIS Indian Pines和Hyperion EO-1 Botswana作为实验数据对DE-self-training算法进行测试,并与基于支持向量机的分类结果作比对。实验表明,DE-self-training算法可以在标记样本数量有限条件下,充分挖掘未标记样本的有用信息,使总体分类精度和Kappa系数都有不同程度的提高。
提出了一种融合光谱和空间结构信息的高光谱遥感影像增量分类算法INC_SPEC_MPext。通过主成分分析(PCA)提取高光谱影像的若干主成分,利用数学形态学提取各主分量影像对应的形态学剖面(MP),再将所有主分量影像的形态学剖面归并联结,组成扩展的形态学剖面(MPext)。将MPext与光谱信息相结合以增加知识,最大限度地挖掘未标记样本的有用信息,优化分类器的学习能力。不断从分类器对未标记样本的预测结果中甄选置信度高的样本加入训练集,并迭代地利用扩大的训练集进行分类器构建和样本预测。以不同地表覆盖类型的AVIRIS Indian Pines和Hyperion EO-1Botswana作为测试数据,分别与基于光谱、MPext、光谱和MPext融合的分类方法进行比对。试验结果表明,在训练样本数量有限情况下,INC_SPEC_MPext算法在降低分类成本的同时,分类精度和Kappa系数都有不同程度的提高。
目的通过数字化医疗基本要素分析,构建数字化医疗应用系统体系架构,为国内外数字化医疗应用系统比较和建立数字化医疗应用系统的信息标准体系和评价体系提供依据。方法通过文献调查、专家咨询和问卷调研,提出数字化医疗的概念架构。通过对美国退伍军人医院(United States Department of Veterans Affairs,VA)和我国华北地区17家样本医院数字化医疗应用系统及功能模块的调查,提出数字化医疗应用系统的领域和系统功能的分类体系。结果(1)数字化医疗的概念框架是在医疗系统(医疗服务机构、医疗服务机构人员、医疗服务对象、医疗服务管理等)的基础上,增加3个信息化基本要素:计算/通信技术、智能化/数字化设备、计算分析技术/通信介质;(2)医院数字化医疗应用系统分类框架,一级类目4个,分别为临床服务、管理服务、患者服务和公共基础;(3)样本医院应用系统(功能模块)调研结果显示,临床服务45个功能模块;管理服务37个功能模块;患者服务18个功能模块;公共基础31个功能模块;(4)美国VA医院4级一级类目的功能模块数量依次为63,24,9,47。结论数字化医疗的概念框架中信息化3个要素是数字化医疗应用系统开发、应用及评价的基本出发点。数字化医疗应用系统分类框架为建立数字化医疗的信息标准体系、技术标准体系和安全标准的评价提供了基础。
暂无评论