-
公开(公告)号:CN116797750A
公开(公告)日:2023-09-22
申请号:CN202310711266.6
申请日:2023-06-15
IPC: G06T17/05 , G06V10/774 , G06V10/82 , G06N3/0985 , G06N5/01 , G06N20/20
Abstract: 本发明中的基于深度学习的DEM误差校正方法,包括以下步骤:S10、获取输入参数;S20、将输入参数依次输入至两个以上的基学习器中,对每个基学习器以交叉验证的方式进行训练,获得每个基学习器中输入参数与输出结果之间的对应组数的初步预测结果,并将所有基学习器的所有初步预测结果组成新特征矩阵;S30、将新特征矩阵输入至元学习器中,通过元学习器训练融合所有的初步预测结果,获得最终预测结果。本发明中通过将具有不同算法结构的多个基学习器和元学习器进行融合,能够充分结合不同基学习器和元学习器的优势,同时最小化它们的劣势,使得在提升表现的同时降低了过拟合的可能性,因而具有更强的非线性拟合能力和泛化能力。
-
公开(公告)号:CN117332820A
公开(公告)日:2024-01-02
申请号:CN202311456586.8
申请日:2023-11-03
Applicant: 中南林业科技大学
IPC: G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 一种基于特征增强集成学习框架的SRTM DEM校正方法,包括以下步骤:1)通过FEB模块扩展特征数量;2)通过FRB模块增强特征;3)通过深度森林变体算法对SRTM DEM进行校正;增强的特征XB首先压缩成一个一维特征向量,称为XC={N×40},深度森林变体算法基于XC预测高程误差,并通过从原始SRTM DEM中减去预测误差来改进SRTM DEM精度;所述深度森林变体算法为通过自适应提升算法训练深度森林,自适应提升算法中对拟合质量和特征重要性进行自适应加权。本发明所提出的校正方法与五种传统典型的SRTM DEM校正算法相比可以增强SRTM DEM在复杂地形和植被条件下的精度。
-