K-均值聚类算法在多波束底质分类中的应用
多波束海底底质分类是海洋测绘、海洋地质和海洋工程领域的重要研究内容。目前，多波束海底底质分类技术是海洋测绘领域发展的前沿方向，属于国内外研究的热点和难点问题。利用多波束进行海底底质分类重点需要解决两个问题：①如何从声纳图像或多波束回波强度数据中提取底质相关特征参数[1]；②如何将提取的参数按照某种度量，组织成具有不同特点的簇类，即分类方法研究。本文重点研究第二个问题。从分类方法看，目前多波束海底底质分类的主要方法有Triton软件使用的Bayes最大似然统计分类方法，基于GA-FAMNN、LVQ（学习向量量化）、GA_LVQ（结合遗传算法）和自组织特征映射等神经网络分类方法及QTC多波束海底底质分类软件使用的聚类分析方法等[2-10]。从学习模式看，Bayes最大似然统计、GA-FAMNN、LVQ和GA_LVQ神经网络属于监督学习（通过对训练集样本进行学习并建立模型，然后对测试集中未标记样本进行划分或预测），自组织特征映射网络和聚类分析属于无监督学习（不含有人工标记信息的机器学习）。监督学习首先对训练集进行学习，所以通常能够获得较好的分类精度，但为了训练一个分类函数或分类模型，需要大量已标记数据，这在海底底质分类中需大量的海底采样点数据支持，实现相对困难。研究发现，当海底采样点较少时，采用无监督学习方法进行海底底质分类，也能达到较好的分类效果。在无监督分类中，聚类分析能够快速找出样本数据中蕴含的结构信息，因此已被广泛的运用到许多应用领域中并产生了很多不同的算法，常用的有：层次聚类，k-均值算法、SOM网络和吸引子传播算法等[11-14]。本文研究经典高效的k-均值聚类分析算法在多波束海底底质分类中的应用。
- 2022-03-07
- 阅读151
- 下载0
- 9页
- docx
