envi监督分类

提出一种基于密度中心图的弱监督分类方法,利用少量已标注样本,结合大量未知模式样本进行弱监督学习。借助样本空间的密度信息,求出密度中心点来准确地反应数据的空间几何特征,在此基础上建图,利用标记传递方法,

提出了一种基于半监督模式的复杂网络社团划分新方法，通过引入物理学中的万有引力定理进而计算出有标签节点与周围无标签节点的相互作用值，最终将网络中的社团划分出来。实验表明，算法可以比较准确地划分出一些网络

高分1号(GF-1)卫星遥感影像已经成为土地利用和覆盖的重要数据源。文中通过对所选样区分别采用最大似然、最小距离、支持向量机等监督分类方法进行分类,并比较它们所得出的分类结果,从而来探讨监督分类方法在

尽管基于图的机器学习已在遥感领域引起了广泛关注,并且已广泛用于地形分类,但是大多数现有算法中的图构造仍然占用大量内存和大量计算时间,尤其是对于大型极化合成Kong径雷达(PolSAR)数据。 针对这些

一种半监督的多标签Boosting分类算法-，适合半监督adaboost的资源，科研资源

苹果粉质化程度是衡量其内部品质的一个重要因素,粉质化造成苹果质量的降低以及商业价值的贬值。高光谱图像技术结合了光谱技术和图像技术的优点,能够无损检测苹果内部品质。提出了有监督等距映射(S-Isomap

利用非监督学习改进高光谱图像分类核心思想： 该研究探索了非监督学习在提升高光谱图像分类性能方面的潜力。方法： 特征提取: 使用非监督学习方法从高光谱数据中提取具有代表性的特征，例如聚类或降维

在机器学习,模式识别,图像处理和计算机视觉领域,数据通常由张量表示。 对于半监督张量分类,现有的转导支持张量机(TSTM)需要求助于迭代技术,这非常耗时。 为了克服这个缺点,在本文中,我们将基于凹凸过

非监督分类中初始聚类中心法的比较研究-非监督分类中初始聚类中心法的比较研究.pdf 非监督分类中初始聚类中心法的比较研究

ENVI4.7系列的IDL、ENVI、ENVI_EX破解及安装