第28章数据的分析与决策测试卷

合集下载

应用统计学课后习题和参考答案解析

应用统计学课后习题与参考答案第一章一、选择题1．一个统计总体（D）。

A．只能有一个标志B．只能有一个指标C．可以有多个标志D．可以有多个指标2．对100名职工的工资收入情况进行调查，则总体单位是（D）。

A．100名职工B．100名职工的工资总额C．每一名职工D．每一名职工的工资3．某班学生统计学考试成绩分别为65分、72分、81分和87分，这4个数字是（D）。

A．指标B．标志C．变量D．标志值4．下列属于品质标志的是（B）。

A．工人年龄B．工人性别C．工人体重D．工人工资5．某工业企业的职工数、商品销售额是（C）。

A．连续变量B．离散变量C．前者是离散变量，后者是连续变量D．前者是连续变量，后者是离散变量6．下面指标中，属于质量指标的是（C）。

A．全国人口数B．国内生产总值C．劳动生产率D．工人工资7．以下指标中属于质量指标的是（C）。

A．播种面积B．销售量C．单位成本D．产量8．下列各项中属于数量指标的是（B）。

A．劳动生产率B．产量C．人口密度D．资金利税率二、简答题1．一项调查表明，消费者每月在网上购物的平均花费是200元，他们选择在网上购物的主要原因是“价格便宜”。

（1）这一研究的总体是什么？总体是“所有的网上购物者”。

（2）“消费者在网上购物的原因”是定类变量、定序变量还是数值型变量？分类变量。

（3）研究者所关心的参数是什么？所有的网上购物者的月平均花费。

（4）“消费者每月在网上购物的平均花费是200元”是参数还是统计量？统计量。

（5）研究者所使用的主要是描述统计方法还是推断统计方法？推断统计方法。

2．要调查某商场销售的全部冰箱情况，试指出总体、个体是什么？试举若干品质标志、数量标志、数量指标和质量指标。

总体：该商店销售的所有冰箱。

总体单位：该商店销售的每一台冰箱。

品质标志：型号、产地、颜色。

数量标志：容量、外形尺寸；数量指标：销售量、销售额。

质量指标：不合格率、平均每天销售量、每小时电消耗量。

2022年职业考证-软考-信息系统运行管理员考试全真模拟易错、难点剖析B卷(带答案)第28期

2022年职业考证-软考-信息系统运行管理员考试全真模拟易错、难点剖析B卷（带答案）一.综合题(共15题)1.案例题阅读下列说明，回答问题1至问题3，将解答填入答题纸的对应栏内。

【说明】A公司是一家专业的系统集成及运维服务商，主要为电力行业用户提供端到端的解决方案及技术支持服务。

公司现为某电力公司2019年信息系统提供运维服务，范围包括信息系统、硬件设备、数据、机房及其基础设施等。

运维对象分布在公司本部办公楼、下属11个供电局和9个异地工区。

维护方式为驻场人员维护，提供5×8小时现场服务及7×24小时紧急故障远程处理服务。

小孙为新加入该项目的运维人员，负责部分业务系统的维护工作。

【问题1】（6分）给出服务器及存储设备常规操作的主要内容。

【问题2】（5分）某业务系统软件不能正常工作，需对系统实施恢复安装操作。

请给出软件恢复管理流程的关键点。

【问题3】（4分)基于上一年度客户业务系统出现业务数据被非法篡改的情况，2019年客户新增数据资源维护内容。

小孙在进行数据资源维护时，除了针对数据资源制定维护方案和例行管理外，还需要完成（1）和（2）的工作。

【答案】【问题1】(6分)（1）检查设备是否正常启动；（2）检查硬件设备是否有运行告警灯或故障灯；（3）检查设备运行日志是否有错误信息；（4）检查业务系统运行是否正常；（5）检查应用系统是否有运行错误日志；（6）检查系统关键进程是否运行正常。

（每条1分，共6分）【问题2】(5分)（1）提出系统恢复申请；（2）分析系统故障源；（3）对恢复安装前检查、恢复系统后测试；（4）对恢复安装过程进行跟踪、确认；（5）系统恢复申请单、故障原因分析记录、恢复安装记录等过程文档的存档。

（每条1分，共5分）【问题3】（4分）（1）应急响应（制定应急预案，并配置各类数据资源保障措施）；（2）数据资源的开发和利用。

（每个2分，共4分）【解析】问题1考核的是第三章例行操作作业关于服务器及存储设备的常规操作内容。

管理决策分析考卷

管理决策分析考卷
第一部分：选择题
1.在管理决策过程中，以下哪个步骤通常是最后一个？ A. 制定决策目
标 B. 收集数据 C. 分析决策 D. 实施决策
2.决策树是一种常用的决策分析工具，它的构建过程包括哪些步骤？A.
划分数据集 B. 选择最佳特征 C. 创建叶节点 D. 计算信息增益
3.在多目标决策中，常用的方法有哪些？ A. 加权平均法 B. 电子会议法
C. 层次分析法
D. 固定优先权法
4.在数据挖掘应用于决策分析时，常用的模型包括哪些？ A. 神经网络
B. 决策树
C. 支持向量机
D. 聚类分析
第二部分：填空题
1.决策树的叶节点表示______。

2.在风险分析中，通常会对决策结果进行______。

3.在风险决策中，常用的决策准则包括最小风险原则、最大______原则
等。

4.在决策分析中，加权平均法常用于处理______目标。

第三部分：简答题
1.简要介绍决策树的基本原理和构建过程。

2.请解释风险决策中的决策树分析方法，并说明其优缺点。

第四部分：分析题
某公司在考虑是否要开发新产品，涉及到多个影响决策的因素。

请结合多目标决策方法，给出该公司应该如何制定决策的建议，并解释理由。

第五部分：综合题
某公司准备推出一款新产品，进行决策时需要考虑市场需求、竞争情况、成本等多个因素。

请结合上述所学知识，设计一个决策分析模型，评估该公司是否应该推出该新产品，并给出推荐的决策方案。

华师版数学九年级下册教案-第28章样本与总体- 章目标总览

数学课堂教学资料设计
第28章样本与总体
教材简析
本章的内容有：抽样调查的意义；用样本估计总体；借助调查做决策．
在以前学过的统计知识的基础上，通过引入抽样调查的有关概念，进一步学习统计的相关知识，掌握简单随机抽样的方法和用样本估计总体特征，能运用统计知识对实际问题做出决策．在中考中，本章是考查的热点，主要考查普查、抽样调查、简单随机抽样、用样本估计总体以及根据统计图表获取信息解决实际问题．
教学指导
【本章重点】
1．理解总体、样本、个体、样本容量等基本概念；
2．掌握简单随机抽样的方法和用样本估计总体特征；
3．综合运用统计知识对实际问题做出决策．
【本章难点】
选取合适的样本及用统计知识解决实际问题．
【本章思想方法】
1．体会数形结合思想：所谓数形结合就是根据数与形之间的对应关系，通过数与形的相互转化来解决数学问题的思想．该思想在本章中研究数据时，通过随机抽样得到的样本数据的统计图、表，能直观提供的信息，可以使问题更加具体，易于理解．2．体会用样本估计总体的思想：为了考查一个总体的情况，在统计中通常是从总体中抽取一个样本，用样本的特征去估计总体的特征．用样本估计总体的统计思想主要研究两个问题：一是如何从总体中抽取样本，二是如何通过所抽取的样本进行计算和分析，对总体的相应情况做出判断．
课时计划
28．1抽样调查的意义2课时
28．2用样本估计总体2课时
28．3借助调查做决策3课时
数学课堂教学资料设计。

历年系统集成项目管理工程师样卷及答案

系统集成项目管理工程师样卷一、单项选择题（每小题2 分，共 100分）1、某项目经理在对项目历时进行估算时，认为正常情况下完成项目需要42天，同时也分析了影响项目工期的因素，认为最快可以在35天内完成工作，而在最不利的条件下则需要55天完成任务。

采用三点估算得到的工期是（）天。

A、42B、43C、44D、55【答案】B【解析】三点估算得到的工期=（35+4*42+55）/62、项目范围的定义和管理过程将影响到整个项目是否成功。

每个项目都必须慎重地权衡工具、数据来源、方法论、过程和程序以及其他一些因素，以确保在管理项目范围时所做的努力与项目的规模、复杂性和重要性相符。

因此，项目经理应该重点关注（）这个过程。

A、范围控制B、范围变更C、编制范围管理计划D、范围确认【答案】C3、某公司正在为某省公安部门开发一套边防出入境管理系统，该系统包括15个业务模块，计划开发周期为9个月，即在今年10月底之前交付。

开发团队一共有15名工程师。

今年7月份，中央政府决定开放某省个人到香港旅游，并在8月15日开始实施。

为此客户要求公司在新系统中实现新的业务功能，该功能实现预计有5个模块，并要求在8月15日前交付实施。

但公司无法立刻为项目组提供新的人力资源。

面对客户的变更需求，以下处理方法最合适。

A、拒绝客户的变更需求，要求签订一个新合同，通过一个新项目来完成B、接受客户的变更需求，并争取如期交付，建立公司的声誉C、采用多次发布的策略，将20个模块重新排定优先次序，并在8月15日之前发布一个包含到香港旅游业务功能的版本，其余延后交付D、在客户同意增加项目预算的条件下，接受客户的变更需求，并如期交付项目成果。

【答案】C【解析】因该项目的范围变更来自于中央政府开放某省个人到香港旅游的决定，因此不能拒绝。

那么是否可以“接受客户的变更需求，并争取如期交付，建立公司的声誉”呢？或者“在客户同意增加项目预算的条件下，接受客户的变更需求，并如期交付项目成果”？答案是不可以，因为题干中已指出：“公司无法立刻为项目组提供新的人力资源”。

项目决策分析与评价(计算类题总结)

项目决策分析与评价计算题专题练习一、单项选择题（共60题，每题1分。

每题的备选项中，只有1个最符合题意）1.某项目投产第1年的财务效益与费用数据估算如下：流动资金800万元.营业收入10000万元（不含税），经营成本4000万元（不含税），其中外购原辅材料燃料动力费3200万元（不含税），税金及附加18.4万元，所得税560万元，已知项目可抵扣建设投资进项税额700万元，增值税税率13%,则项目财务计划现金流量表中，投产第1年的经营活动净现金流量应为（）万元。

2.某企业拟投资项目的债务资金成本率为10%,如果企业适用所得税税率为25%,通货膨胀率为3%, 则扣除通货膨胀后的税后资金成本率为（）。

A.4.37%B.5.10%C.6.80%D.7.73%3.2020年某地区居民消费购买力为500亿元，空调消费在消费购买力中的比重为2%。

,空调价格为2000元/台，假设该地区居民消费品购买力每年递增8%,空调在其中的比重每年递增10%,采用购买力估算法预测该地区2022年空调潜在需求量为（）台。

A.59400B.70567C.70850D.838344.某生产项目年成本的估算数额为：外购原材料及燃料动力费1500万元（含増值税进项税额180万元），职工薪酬200万元.修理费350万元，其他制造费50万元，其他管理费300万元。

估计的最低周转天数为：外购原材料及燃料动力30天，在产品6天，产成品30天。

采用分项详细估算法估算该项目的存货为（丿万元。

A.500.0B.368.3C.360.0D.335.05.某新建项目建设投资为25000万元（含可抵扣建设投资进项税2200万元）。

项目生产期每年营业收入为12500万元（不含税），经营成本为6000万元（不含税），其中原材料及燃料动力费用为4320万元（不含税）。

若增值税税率均为13%，项目生产期第1年应纳增值税为（）。

A.OB.760.5 万元C.845.0 万元D. 1063.4 万6.某企业拟投资大型项目，生产包括M产品在内的多种产品，M产品的市场价格可以反映其经济价值。

管理预测与决策试卷

管理预测与决策试卷第一部分：选择题1.下列哪种方法不属于管理中常用的预测方法？ A. 时间序列分析 B. 统计推断 C. 专家判断 D. 投掷硬币2.预测准确度的评价可以通过哪些指标来进行衡量？ A. 均方误差 B. 平均绝对误差 C. 相关系数 D. 以上都是3.在决策过程中，决策树是一种常用的决策分析方法，其优势在于什么？A. 易于理解和解释B. 能够处理大规模数据C. 适用于各种类型的数据D. 所有选项都对4.在管理预测中，使用时间序列分析时，有哪些常见的模型？ A.ARIMA模型 B. 指数平滑模型 C. 线性回归模型 D. 所有选项都对5.专家判断在管理决策中的应用有哪些限制？ A. 主观性影响 B. 受个人经验影响 C. 可能存在偏见 D. 所有选项都对第二部分：简答题1.解释下什么是管理预测，以及管理预测在组织中的重要性。

2.请列举至少三种常用的时间序列分析模型，并解释它们的应用场景。

3.决策树是一种常用的决策分析方法，请简要描述决策树的生成过程和如何进行预测。

4.解释什么是风险与不确定性，以及在管理决策中如何考虑和处理这些因素。

5.为什么在管理决策中经常使用专家判断？请列举专家判断在决策中可能存在的局限性。

第三部分：案例分析请结合实际案例，选择一个企业或组织，描述其管理预测与决策的相关实践和经验。

包括该组织采用的预测方法、决策树模型的应用、专家判断和风险管理等方面。

同时，分析该组织在管理预测与决策过程中所面临的挑战和取得的成就。

以上就是本次的管理预测与决策试卷内容，希望能够对您的学习和实践有所帮助。

祝您考试顺利！。

数据分析选择题

数据分析选择题简介数据分析是现代社会中非常重要的一门技能，它可以帮助我们从海量的数据中提取有价值的信息和见解。

在进行数据分析时，我们常常会遇到一些选择题，通过选择正确的答案来判断对于特定问题的解决方案。

下面是一些常见的数据分析选择题。

选择题1. 数据清洗是数据分析的第一步，以下哪一项是数据清洗的步骤？a.数据分析b.数据收集c.数据整理d.数据可视化答案：c. 数据整理2. 数据采样是进行数据分析的常用方法，以下哪一项是数据采样的优点？a.能够全面了解数据的特点b.能够提供准确和可靠的结果c.节省时间和资源d.能够揭示数据的隐藏模式答案：c. 节省时间和资源3. 以下哪种图表适合用来展示有限数量的分类数据？a.散点图b.折线图c.饼图d.直方图答案：c. 饼图4. 数据的相关性可以通过以下哪种方式进行分析？a.方差分析b.卡方检验c.相关系数d.T检验答案：c. 相关系数5. 在数据分析中，以下哪一项是假设检验的步骤？a.计算统计量b.设立原假设和备择假设c.判断是否拒绝原假设d.画出统计图表答案：b. 设立原假设和备择假设6. 在数据可视化中，以下哪一项可以帮助我们更好地理解和解释数据？a.直方图b.饼图c.折线图d.散点图答案：d. 散点图7. 在多元线性回归分析中，以下哪一项是合适的评估指标？a.R平方b.F统计量c.t统计量d.AIC准则答案：a. R平方8. 在进行时间序列分析时，以下哪一项是建模的第一步？a.确定趋势b.去除季节性c.去除噪音d.确定平稳性答案：d. 确定平稳性结论数据分析选择题涉及到数据清洗、数据采样、数据可视化、假设检验等多个方面。

通过选择正确的答案，我们可以更好地理解和解释数据，并得出有价值的结论。

熟练掌握这些选择题，对于进行数据分析是非常有帮助的。

注意：以上选择题仅供参考，实际数据分析中可能会有更多的选择题和答案。

大数据理论考试(试卷编号262)

大数据理论考试(试卷编号262)说明：答案和解析在试卷最后1.[单选题]假设有n组数据集，每组数据集中，x的平均值都是9，x的方差都是11，y的平均值都是7.50，x与y的相关系数都是0.816，拟合的线性回归方程都是y=3.00+0.500*x。

那么这n组数据集是否一样（）A)一样B)不一样C)无法确定2.[单选题]大数据平台核心分布式存储与计算组件采用Hadoop技术体系中分布式存储、分布式计算框架，及Spark等开源产品和技术，实现对数据的安全控制和管理功能,其中分布式存储不包括（）。

A)HDFSB)PostgresqlC)HiveD)HBase3.[单选题]正则化是将样本在向量空间模型上的一个转换，经常被使用在分类与聚类中，正则化在preprocessing模块中如何实现（）。

A)preprocessing.maxabs_scale()方法B)preprocessing.RobustScaler()方法C)preprocessing.normalize()方法D)preprocessing.Binarizer()方法4.[单选题]词袋模型中的文本向量每个元素表示该词的（）。

A)频率B)顺序C)含义D)语义关5.[单选题]下列关于RBM说法错误的是(__)。

A)学习过程很快B)R训练可以看作对一个深层网络的网络权值参数的初始化C)RBM不用人工选择特征D)RBM有标签样本6.[单选题]一幅数字图像是（）。

A)一个观测系统B)一个由许多像素排列而成的实体C)一个2-D数组中的元素D)一个3-间中的场7.[单选题]输入图像已被转换为大小为28×28的矩阵和大小为7×7的步幅为1的核心/滤波器。

卷积矩阵的大小是多少（）A)22 X 22B)21 X 21C)28 X 28D)7 X8.[单选题]一位母亲记录了儿子3～9岁的身高，由此建立的身高与年龄的回归直线方程为y=7.19x+73.93，据此可以预测这个孩子10岁时的身高，则正确的叙述是（）。

重大社《大数据与智能会计分析》考试试卷B附答案

《大数据与智能会计分析》考试试卷B1. 【单选题】分值：2大数据环境下的隐私担忧,主要表现为()A. 个人信息的被识别与暴露B. 用户画像的生成C. 恶意广告的推送D. 病毒入侵【正确答案】A2. 【判断题】分值：2对于大数据而言,最基本、最重要的要求就是减少错误、保证质量。

因此,大数据收集的信息量要尽量精确。

( )A. 正确B. 错误【正确答案】 B3. 【多选题】分值：4(整题给分)下游的征信信息使用者在()领域。

A. 金融领域B. 政府领域C. 商业、商务领域D. 公共领域E. 个人领域【正确答案】A B C D4. 【单选题】分值：2当今世界()的数据为非结构化数据。

A. 60%B. 70%C. 80%D. 90%【正确答案】 C5. 【判断题】分值：2大数据的价值重在挖掘,而挖掘就是分析。

( )A. 正确B. 错误【正确答案】A6. 【单选题】分值：2征信大数据的挖掘分析技术包括()。

A. 离线数据处理引擎B. 实时数据处理引擎C. 数据分析技术D. 以上都是【正确答案】 D7. 【多选题】分值：4(整题给分)以下说法正确的有()。

A. 大数据仅仅是讲数据的体量大B. 大数据会带来机器智能C. 大数据对传统行业有帮助D. 大数据是一种思维方式【正确答案】 B C D8. 【判断题】分值：2人们关心大数据,最终是关心大数据的应用,关心如何从业务和应用出发让大数据真正实现其所蕴含的价值,从而为人们生产生活带来有益的改变。

( )A. 正确B. 错误【正确答案】A9. 【单选题】分值：2以下说法错误的是()。

A. 大数据是一种思维方式B. 大数据不仅仅是讲数据的体量大C. 大数据会带来机器智能D. 大数据不包括图片、文本【正确答案】 D10. 【单选题】分值：2大数据时代,金融机构要在激烈的竞争中力拔头筹,必须合理运用数据挖掘分析工具,深入挖掘数据潜在的价值洞察客户需求,促进其决策从经验依赖向()转化。

大数据理论考试(习题卷10)

大数据理论考试(习题卷10)说明：答案和解析在试卷最后第1部分：单项选择题，共64题，每题只有一个正确答案,多选或少选均不得分。

1.[单选题]大数据计算服务的数据仓库的管理员发现用户表user没有备注信息，为了方便其他人员的使用，可以通过（）方式给这张表加上备注。

A)alterB)删除表user，在重建时指定comment选项C)touchD)change2.[单选题]逻辑回归将输出概率限定在[0,1]之间。

下列哪个函数起到这样的作用（）。

A)Sigmoid函数B)tanh函数C)ReLU函数D)Leaky ReLU函数3.[单选题]以等可能性为基础的概率是（）A)古典概率B)经验概率C)试验概率D)主观概率4.[单选题]当Kafka中日志片段大小达到（）时，当前日志片段会被关闭。

A)1MB)100MC)1GBD)10G5.[单选题]Hadoop中partition（）函数描述正确的是（）。

A)分区函数B)特征函数C)算法函数D)排序函数6.[单选题]HadoopMapReduce2.0中，（）负责资源的管理和调度。

A)JobTrackerB)YARNC)TaskTrackerD)ApplicationMasterD)256M8.[单选题]直方图均衡化适用于增强直方图呈（）分布的图像。

A)尖峰B)波形C)随机D)高9.[单选题]以下属于考虑词语位置关系的模型有（）。

A)词向量模型B)词袋模型C)词的分布式表示D)TF-ID10.[单选题]进行主成分分析的前提条件是，各变量间（）。

A)高度相关B)低度相关C)相互独立D)完全相11.[单选题]有研究发现“页面的显示速度每延迟1s,网站访问量就会降低11%,从而导致营业额或者注册量减少7%,顾客满意度下降16%”。

该项研究表明了(__)在数据产品开发中的重要性。

A)查全率B)用户体验C)数据可视化D)查准率12.[单选题]数据安全技术保护与信息系统“三同步”原则不包括以下哪项（）。

基于DS证据理论的高光谱图像融合分类

第28卷㊀第4期2023年8月㊀哈尔滨理工大学学报JOURNAL OF HARBIN UNIVERSITY OF SCIENCE AND TECHNOLOGY㊀Vol.28No.4Aug.2023㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀基于DS 证据理论的高光谱图像融合分类李㊀昊1,㊀于㊀虹1,㊀饶㊀桐1,㊀周㊀帅1,㊀沈㊀锋2(1.云南电网有限公司电力科学研究院,昆明650217;2.哈尔滨工业大学仪器科学与工程学院,哈尔滨150006)摘㊀要:高光谱图像包含丰富的地物信息,被广泛应用于许多场合㊂由于各分类模型具有不同的分类性能,如何有效利用各分类模型性能的差异性是实现融合分类的重要环节,为此提出了一种基于DS 证据理论的多模型融合分类的高光谱图像分类方法㊂由于现有的分类模型从HSI 数据的空间域和光谱域提取不同的特征,因此产生的预测结果不同㊂本融合方法采用多层感知机网络和随机森林网络进行融合分类实验,该网络借助各分类网络的提取特征的差异性,提高了分类结果的准确性㊂实验结果表明,当不同网络的分类精度存在一定差异时,DS 融合模型能提高分类精度,同时优于线性平均加权融合模型㊂关键词:高光谱图像分类;融合模型;机器学习DOI :10.15938/j.jhust.2023.04.005中图分类号:TP751文献标志码:A文章编号:1007-2683(2023)04-0033-09Hyperspectral Images Fusion Classification Based on the DS Evidence TheoryLI Hao 1,㊀YU Hong 1,㊀RAO Tong 1,㊀ZHOU Shuai 1,㊀SHEN Feng 2(1.Electric Power Research Institute,Yunnan Power Grid Co.,Ltd.,Kunming 650217,China;2.School of Instrumentation Science and Engineering,Harbin Institute of Technology,Harbin 150006,China)Abstract :Hyperspectral images contain rich information of ground objects and the technology is widely used in many occasions.Since each classification model has different classification performance,effectively utilizing the difference in the performance of each classification model is an essential step to achieve fusion classification.Therefore,a hyperspectral image classification method based on DS evidence theory is proposed.Different prediction results are generated since the existing classification models extract different features from the spatial and spectral domains of HSI data.In this fusion method,a multi-layer perceptron network and random forest network are used for fusion classification experiments.The network improves the accuracy of classification results by taking advantage of the difference in extracted features of each classification network.The experimental results show that the DS fusion model can improve the classification accuracy and is superior to the linear average weithted fusion model when there are some differences in theclassification accuracy of different networks.Keywords :hyperspectral image classification;fusion model;machine learning㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀收稿日期:2022-03-21基金项目:国家自然科学基金(61673128).作者简介:李㊀昊(1986 ),男,硕士,高级工程师;于㊀虹(1978 ),女,博士,高级工程师.通信作者:沈㊀锋(1981 ),男,教授,博士研究生导师,E-mail:759281806@.0㊀引㊀言高光谱图像相比于RGB 图像和红外图像,具有丰富的光谱信息与空间信息,使得地物目标分类能力大幅度提升,也因此被广泛的应用在用于农业㊁军事㊁土地覆盖测绘㊁异常检测和目标识别[1-9]等领域㊂但光谱维与空间维的信息的大幅度增加,对地物分类算法提出了新的要求,比如,冗余的光谱信息,导致分类过程中出现Hughes 现象,如何有效提取光谱维信息是高光谱图像分类过程中的关键环节;地物分类算法在处理高维度的空间信息中需要大量的时间进行特征提取,如何快速完成目标特征的提取是当前分类算法的研究热点㊂为了进一步减少分类过程中光谱信息冗余的影响,目前的高光谱分类模型[10-12]主要集中在以下两个方面:增加特征提取层数和波段选择㊂增加特征提取层数的主要目的是提取深光谱信息之间的相关性㊂全连接层通过对每个光谱特征与目标类别进行非线性变换,最终实现地物目标的分类㊂Zhong[13]设计了一种以三维立方体为输入数据进行高光谱图像分类的端到端光谱空间残差网络㊂该网络包括光谱特征学习部分和空间特征学习部分㊂这两个部分由大量卷积层组成,并通过非线性计算来提取光谱特征的相关性㊂与增加特征提取层数不同,波段选择可以去除多余的光谱信息波段㊂Roy[14]提出了一个用于HSI分类的HybridSN网络,通过PCA减少光谱波段的数量,同时保持相同的空间维数㊂他提出了一种新的基于多尺度协方差映射(MCMs)的手工特征提取方法,用于基于CNN的HSI分类㊂该网络还采用了波段选择方法来避免Hughes现象㊂为了进一步避免高维度空间信息引起的特征提取时间长问题,目前的高光谱分类模型[15]主要集中在以下两个方面:减少特征提取层和网络残差结构的操作㊂相关研究证明减少特征提取层的数量可以加快了模型训练过程的收敛速度,从而避免了模型训练过程中的发散现象㊂Gao等[16]提出了一种基于深度可分卷积层的多尺度残差网络用于HSI分类㊂网络残差结构通过跳跃连接构建新特征数据层,提高训练模型的精度与收敛速度㊂Paoletti 等[17]提出了一种专门针对HSI数据设计的新的深度CNN架构,改进了卷积滤波器揭示的网络的光谱空间特征㊂叶珍等[18]提出了一种结合PCA与移动窗小波变换的高光谱决策融合分类算法,通过相关系数矩阵㊁主成分分析方法以及移动小波变换算法进行空间特征提取,并且利用线性意见池对分类结果进行融合,实现了融合分类结果的融合㊂崔颖等[19]引入集成学习分类的加权组合思想,提出了一种基于组合测量的方法,实现单一模型多策略的融合,获得更高的分类稳定性㊂为了提高分类网络的准确性以及分类效率,在多层感知机(MLP)和随机森林(RF)分类模型的基础上,我们提出了一种基于DS证据理论的高光谱图像融合分类方法㊂该融合算法利用各分类模型提取特征与分类的差异性,根据融合分类规则,完成多模型分类的融合,最终以较小的参数和模型训练时间为代价,得到了更有代表性的分类结果㊂1㊀基于DS证据理论的高光谱融合分类本文基于多模型融合的高光谱图像分类方法框架如图1所示,首先使用已完成训练的多层感知机分类模型和随机森林分类模型对测试样本进行分类,获得不同分类器下的各测试样本的类别置信度㊂其次借助各分类模型的差异性,即各分类模型输出的类别置信度差异性,通过证据理论构建基于多模型融合的类别置信,从而提升测试样本的分类准确性㊂图1㊀基于DS证据理论的高光谱图像融合分类示意图Fig.1㊀Schematic diagram of hyperspectral image fusion classification based on DS evidence theory1.1㊀多层感知机模型多层感知机(MLP)[20]是早期的神经网络,由输入层㊁输出层和隐藏层组成,其中每层由多个神经元和相关参数构成㊂MLP在训练过程中有正向传播和反向传播两部分组成㊂在正向传播过程中,首先输入层接收输入的信号,将该层的神经元与隐藏层的神经元进行连接㊂其次通过输出层的神经元,完成高光谱的分类㊂隐藏层的神经元输出Y l j可以表示为Y l j=f(ðM i=1Y l-1j W l j+B l j)(1)其中:Y l-1j为上一层的输出;W l j为隐藏层中的权重;B l j为隐藏层中的权重值;f为非线性激活函数㊂在误差反向传播阶段,将输出层的预测值与期望输出值,通过损失函数构建训练误差值E,并通过最速下降法与学习速率,更新隐藏层中的训练参数W l j,训练误差值E表示为E=E(Y l1,Y l2, ,Y l n)(2)其中:E(㊃)为损失函数㊂表1描述了MLP分类模型在不同数据集下的结构参数㊂该分类模型由输入层㊁隐藏层和输出层组成,其中输入层和输出层的神经元数量分别是数据集中的光谱维度和类别数量;在隐藏层中,借助ReLU函数进行非线性降维和归一化;在输出层中借助Softmax函数对各类别的置信度进行归一化计算㊂43哈㊀尔㊀滨㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀表1㊀多层感知机分类模型在不同数据集下的结构参数Tab.1㊀Structure parameters of multi-layer perceptron classification model under different data sets高光谱数据集层数类型神经元数量激活函数Input200IP Hidden144ReLUOutput16SoftmaxInput103 UP Hidden5ReLUOutput9SoftmaxInput176 KSC Hidden127ReLUOutput13SoftmaxInput204 SV Hidden146ReLUOutput16Softmax 1.2㊀RF模型随机森林模型(RF)[20]由多个分类决策树模型组成,其具有快速收敛和不易过拟合等优点,适合解决高光谱遥感分类问题㊂将一个样本容量为N的样本,有放回的抽取N 次,形成N个样本㊂将构建好的N个样本训练成一个决策树,作为决策树根节点的样本㊂根据获得的训练样本N和样本属性M,随机选取m个属性,依靠信息增益策略选择其中的一个属性作为分裂属性,实现节点的分裂㊂1.3㊀基于DS的光谱融合模型DS证据理论是处理不确定信息的理论,它可以融合不确定信息㊂DS证据理论是传统贝叶斯理论的重要延伸,既可以处理单个假设,也可以处理复合假设,在图像处理㊁风险评估㊁故障诊断等方面具有广泛的应用前景㊂对于非空集U,称为识别框架,该框架由一系列互斥穷举的元素A组成㊂问题域中的任何命题都应属于幂集2U㊂定义BPAF:mʒ2Uң[0,1]in2U m(Φ)=0ðA⊆U m(A)=1}(3)其中m(A)表示证据对子集的信任度量㊂其意义如下:①如果A⊂U,则表示对的一定信任程度A;②如果A=U,则表示该数不知道如何分配;③如果A⊆U 和m(A)>0,则称A为m的焦点元素㊂DS证据理论采用正交证据源和组合证据源㊂多个证据源m1,m2, ,m n在定义融合函数mʒ2Uң[0,1]下的联合后的基本概率分布为:m(ϕ)=0m(A)=ðA1=A1ɤjɤnm j(A i)1-K(∀A⊂U)üþýïïï(4)式中:K=ðɘA j=φ1ɤjɤnm j(A i),为证据冲突程度㊂向量m j()分别为不同分类模型A i输出的类别置信度㊂图2㊀不同数据集的标签Fig.2㊀Labels for different data sets2㊀实验结果2.1㊀数据集描述本节我们介绍4个HSI数据集,指定了模型配置过程,并使用分类度量评估了所提出的方法㊂采用IN㊁KSC㊁SV和UP数据集来评估多模型融合框53第4期李㊀昊等:基于DS证据理论的高光谱图像融合分类架在训练数据不平衡㊁训练样本数量少㊁空间分辨率高的情况下的分类性能㊂在这3种情况下,用随机选择的训练数据进行了10次实验,并报告了主要分类指标的均值和标准差㊂IN数据集由机载可见/红外成像光谱仪(AVIRIS)于1992年从西北印第安纳州收集,包括16个植被类别,具有145ˑ145像素,分辨率为20m㊂一旦去掉了被吸水效应破坏的20个波段,剩下的200个波段用于分析,范围为400~2500nm㊂KSC数据集由美国佛罗里达州的AVIRIS于1996年收集,包含13个山地和湿地类,像素为512ˑ614,分辨率为18m㊂一旦低信噪比的波段被去除,剩下的176个波段用于评估,范围从400到2500nm㊂UP数据集由意大利北部的反射光学系统成像光谱仪于2001年获得,包含9种城市土地覆盖类型,分辨率为610ˑ340像素,像素分辨率为1.3m㊂一旦噪声波段被丢弃,剩余103个波段被用于评估,范围为430到860nm㊂SV数据集由AVIRIS传感器在加利福尼亚州Salinas山谷上空采集的㊂分辨率为512ˑ217,像素分辨率为3.7m,有16个土地覆盖等级㊂分类前,去除了20条带(即第108~112条㊁第154~167条和第224条)㊂2.2㊀实验设置在描述了DS证据理论之后,我们配置了通过训练数据集更新MLP和RF参数的训练过程㊂采用总体精度㊁平均精度和kappa系数定量评价分类性能㊂每个实验选择训练样本并运行10次㊂所有的实验都是在一台配备Intel Core i7-9900K CPU和64GB RAM的台式机上使用TensorFlow进行的㊂2.3㊀实验结果将DS证据理论与MLP和RF特征学习模型的融合分类结果进行比较㊂为了验证DS证据融合理论的泛化性㊁有效性和鲁棒性,在平衡和不平衡训练数据集下,建立了基于MLP和RF模型的频谱学习融合模型㊂为了进行公平的比较,我们为MLP㊁RF 和光谱学习融合模型设置了相同数量的训练数据㊂实验主要包括3个部分㊂第一,针对IP㊁SV㊁UP和KSC数据集,分别使用16㊁80㊁80㊁80个训练样本,分析了光谱融合模型的鲁棒性和有效性;第二,在平衡训练数据个数不同的情况下,对光谱融合模型进行泛化分析㊂第三,在不平衡训练样本个数不同的情况下,对光谱融合模型进行了泛化分析㊂表2和表3给出了OAs㊁AAs㊁kappa系数,以及HSI分类中所有类别的分类精度㊂在使用IP㊁SV㊁UP 和KSC划分训练集的过程中,不同数据集分别选取了每类16㊁80㊁80㊁80个训练样本㊂在IP㊁SV和KSC3个数据集上,光谱学习融合模型比MLP和RF具有更高的分类精度㊂在UP数据集上,当MLP和RF差异较大时,融合模型的分类效果较MLP和RF差㊂在IP 数据集上,与MLP和RF数据相比,融合模型的OA 值分别提高了1.63%和4.38%㊂这些结果验证了光谱融合模型在不同数据集上的鲁棒性和有效性㊂通过对比不同的融合决策模型,特别是在UP数据集中,线性平均加权融合模型的OA值为82.66%,而DS融合模型的OA值为82.79%,同时DS融合模型的稳定性远高于线性平均加权融合模型㊂在可视化结果图3,图4,图5和图6中,可以明显看到光谱融合模型的分类结果与标签数据更相似,错误颜色的分类结果明显少于其他分类方法㊂图3㊀IP数据集的分类结果Fig.3㊀Classification results of IP data set63哈㊀尔㊀滨㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀图4㊀KSC数据集的分类结果Fig.4㊀Classification results of KSC dataset在实验的第二部分中,分析了不同数量等级的平衡训练样本,对光谱融合模型的影响,在SV㊁UP 和KSC数据集中,每类选择50㊁60㊁70㊁80和90个训练样本,而IP数据集每类选择10㊁12㊁14㊁16㊁18个训练样本㊂在表4中,光谱融合模型的OA㊁AA 和kappa系数的增加与训练样本的数量密切相关㊂该光谱融合模型克服了4个数据集之间的差异,实现了比MLP和RF模型更高的分类精度㊂同时随着均衡训练样本数量的增加,融合分类的结果也更加准确㊂在实验的第三部分中,为了验证光谱融合模型的泛化性能,选取不同比例的不平衡训练样本,其中3%,5%,7%,9%,和11%的标记样本选择作为IP 数据集的训练样本,1%,3%,5%,7%,和9%的标记样本选择作为UP,KSC和SV数据集的训练样本㊂在表5中,分类性能与训练样本的数量有关㊂训练样本的均衡性不会影响训练样本数量与分类精度之间的关系㊂光谱融合模型比MLP和RF模型具有更高的分类精度㊂图5㊀SV数据集的分类结果Fig.5㊀Classification results of SV dataset图6㊀UP数据集的分类结果Fig.6㊀Classification results of the UP dataset73第4期李㊀昊等:基于DS证据理论的高光谱图像融合分类83哈㊀尔㊀滨㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀表2㊀IP和SV数据集的分类结果,IP数据集中每个类有16个训练样本,SV数据集中每类有80个训练样本Tab.2㊀Classification results of IP and SV data sets.There are16training samples for each classin IP data set and80training samples for each class in SV data setIP SVMLP RF DS Average MLP RF DS Average 184.61ʃ7.7882.64ʃ9.8984.63ʃ7.6484.63ʃ7.6498.61ʃ0.9699.03ʃ0.4898.94ʃ0.7498.93ʃ0.75 243.82ʃ6.7633.55ʃ6.4543.54ʃ6.2343.6ʃ6.3899.68ʃ0.2498.92ʃ1.599.77ʃ0.1499.76ʃ0.14 345.61ʃ5.5247.08ʃ3.3347.89ʃ4.9347.4ʃ5.0398.39ʃ298.01ʃ0.8598.93ʃ1.0798.93ʃ1.16 465.9ʃ7.0159.46ʃ4.6768.58ʃ5.7368.83ʃ5.9699.55ʃ0.2199.38ʃ0.2699.52ʃ0.1999.53ʃ0.2 577.45ʃ4.8579.13ʃ3.8780.47ʃ3.2679.69ʃ3.8197.66ʃ0.7996.36ʃ1.0597.58ʃ0.7897.6ʃ0.79 689.4ʃ2.5771.86ʃ4.789.3ʃ2.4289.55ʃ2.2899.65ʃ0.1399.29ʃ0.3399.74ʃ0.199.67ʃ0.12 794.01ʃ5.3490.72ʃ4.4992.39ʃ4.4994.01ʃ5.3499.61ʃ0.1399.2ʃ0.5299.6ʃ0.1299.61ʃ0.11 883.96ʃ5.3484.78ʃ5.7186.99ʃ4.7186.73ʃ5.0366.87ʃ7.8465.41ʃ3.7868.7ʃ6.2268.65ʃ6.13 9100ʃ097.16ʃ7.5100ʃ0100ʃ099.11ʃ1.0998.19ʃ1.0699.07ʃ0.9499.16ʃ0.95 1063.6ʃ3.7856.12ʃ8.1665.22ʃ4.2664.99ʃ4.0392.11ʃ1.1787.56ʃ2.6992ʃ1.0692.07ʃ1.02 1145.29ʃ8.2948.93ʃ6.948.7ʃ8.0748.12ʃ8.0996.01ʃ1.5392.1ʃ1.8696.05ʃ1.596.02ʃ1.4 1249.01ʃ8.3540.8ʃ8.1849.72ʃ8.9749.22ʃ8.899.08ʃ0.4798.08ʃ1.0199.43ʃ0.2999.33ʃ0.36 1397.72ʃ1.1494.68ʃ2.1997.34ʃ1.8297.55ʃ1.5997.6ʃ1.0597.04ʃ0.8297.57ʃ0.8597.6ʃ0.89 1474.04ʃ8.2781.64ʃ6.477.95ʃ7.0578.11ʃ7.2395.14ʃ1.3494.06ʃ0.9794.93ʃ1.1994.89ʃ1.21 1554.51ʃ4.9435.17ʃ2.9452.4ʃ5.3452.27ʃ5.974.63ʃ6.7167.18ʃ3.0874.16ʃ5.674.23ʃ5.63 1691.66ʃ5.2997.65ʃ1.7293.73ʃ5.3693.21ʃ5.4698.15ʃ0.4296.05ʃ1.4598.08ʃ0.5798.08ʃ0.51 OA59.85ʃ2.0357.13ʃ1.2461.73ʃ1.861.5ʃ1.8988.48ʃ0.986.3ʃ0.6688.79ʃ0.7788.8ʃ0.76 AA72.82ʃ0.9469.12ʃ1.4673.92ʃ0.8773.88ʃ0.8694.54ʃ0.3692.88ʃ0.2594.66ʃ0.3194.66ʃ0.3 K55.02ʃ2.0751.98ʃ1.3257.07ʃ1.8456.82ʃ1.9387.2ʃ0.9884.78ʃ0.7287.54ʃ0.8487.54ʃ0.83 Train time/s0.74ʃ0.150.27ʃ0.01 1.68ʃ0.050.73ʃ0.01 Test time/s0.08ʃ0.010.15ʃ0.01 0.29ʃ0.010.89ʃ0.05表3㊀KSC和UP数据集的分类结果,每个数据集中每个类有80个训练样本Tab.3㊀Classification results of KSC and UP datasets,with80training samples per class in each datasetKSC UPMLP RF DS Average MLP RF DS Average 189.98ʃ2.3289.4ʃ2.2690.72ʃ2.1290.61ʃ2.0976.61ʃ2.7975.85ʃ2.8977.49ʃ2.0676.88ʃ2.15 288.18ʃ2.5786.38ʃ3.4288.72ʃ2.9788.66ʃ2.9383.78ʃ3.5970.37ʃ3.581.06ʃ3.9581.04ʃ3.97 394.74ʃ2.5491.28ʃ2.2294.53ʃ1.994.81ʃ2.0181.26ʃ3.4171.43ʃ4.0479.96ʃ3.280.14ʃ3.18 474.01ʃ8.1869.55ʃ5.3376.82ʃ4.8576.92ʃ5.1989.24ʃ4.2293.25ʃ2.8391.57ʃ3.2391.61ʃ3.2 574.34ʃ7.3371.38ʃ3.7275.72ʃ5.6974.98ʃ5.7599.3ʃ0.3899.29ʃ0.1799.45ʃ0.2299.51ʃ0.22续表3KSC UPMLP RF DS Average MLP RF DS Average 680.73ʃ4.8864.69ʃ3.0878.01ʃ4.1378.86ʃ4.6484.69ʃ3.6276.67ʃ3.2684.24ʃ3.1484.12ʃ3.24 791.89ʃ4.3890.33ʃ3.6793.15ʃ3.1293.15ʃ3.1291.64ʃ1.2388.53ʃ2.5291.27ʃ1.4691.6ʃ1.42 892.81ʃ2.5987.47ʃ2.993.45ʃ2.3193.31ʃ2.2178.75ʃ2.2176.99ʃ2.980.17ʃ2.479.82ʃ2.49 995.92ʃ1.6291.82ʃ3.3896.08ʃ1.496.1ʃ1.4499.3ʃ0.33100ʃ099.63ʃ0.1899.63ʃ0.18 1097.08ʃ1.8891.65ʃ1.6997.52ʃ1.2997.3ʃ1.49 1198.02ʃ0.6697.22ʃ1.1898.29ʃ0.798.26ʃ0.73 1293.28ʃ1.4388.19ʃ3.1994.56ʃ1.294.53ʃ1.22 13100ʃ099ʃ0.5299.96ʃ0.08100ʃ0 OA93.31ʃ0.4790.08ʃ0.5893.73ʃ0.3693.72ʃ0.3583.68ʃ1.5176.29ʃ1.1982.79ʃ1.5482.66ʃ1.54 AA90.17ʃ0.5886.08ʃ0.8690.63ʃ0.5890.63ʃ0.5887.22ʃ0.6683.65ʃ0.5587.24ʃ0.5787.19ʃ0.59 K92.46ʃ0.5388.81ʃ0.6692.92ʃ0.4192.91ʃ0.3978.81ʃ1.8269.91ʃ1.377.77ʃ1.8477.61ʃ1.84 Train time/s1.34ʃ0.01 1.76ʃ0.03 1.02ʃ0.01 1.61ʃ0.02 Test time/s0.05ʃ00.06ʃ0 0.23ʃ00.56ʃ0表4㊀由MLP㊁RF和DS用不同数量的样本获得OA(%)Tab.4㊀OA(%)was obtained by MLP,RF and DS with different numbers of samplesIP KSC SV UPMLP54.4ʃ1.9791.21ʃ0.6287.01ʃ1.7679.67ʃ0.991RF52.17ʃ2.4387.77ʃ0.7785.51ʃ0.9372.64ʃ1.36DS56.41ʃ2.1791.79ʃ0.787.47ʃ1.4178.77ʃ1.22MLP56.63ʃ1.7992.05ʃ0.8387.96ʃ0.8681.55ʃ2.352RF53.56ʃ2.1589.06ʃ0.9585.84ʃ0.3573.84ʃ1.9DS58.46ʃ1.4692.4ʃ0.7588.27ʃ0.6280.64ʃ2.54MLP58.46ʃ2.2292.71ʃ0.788.82ʃ0.5882.1ʃ1.453RF55.19ʃ2.1489.4ʃ186.17ʃ0.7575.66ʃ1.7DS60.25ʃ1.8492.99ʃ0.5789.02ʃ0.4881.62ʃ1.29MLP59.85ʃ2.0393.31ʃ0.4788.48ʃ0.983.68ʃ1.514RF57.13ʃ1.2490.08ʃ0.5886.3ʃ0.6676.29ʃ1.19DS61.73ʃ1.893.73ʃ0.3688.79ʃ0.7782.79ʃ1.54MLP61.91ʃ1.9893.65ʃ0.4188.66ʃ1.1184.43ʃ0.975RF56.52ʃ2.0290.67ʃ0.4286.45ʃ0.9176.76ʃ1.45DS62.98ʃ1.6893.96ʃ0.3288.87ʃ0.8883.84ʃ0.7993第4期李㊀昊等:基于DS证据理论的高光谱图像融合分类表5㊀不同训练数据百分比下,MLP㊁RF㊁DS获得OA(%)Tab.5㊀OA(%)obtained by MLP,RF and DS under different training data percentagesIP KSC SV UP MLP68.19ʃ1.2969.7ʃ2.0988.73ʃ0.7485.2ʃ1.25 1RF65.17ʃ0.8175.98ʃ1.5486.08ʃ0.5581.58ʃ0.86 DS69.23ʃ1.0676.16ʃ1.288.79ʃ0.6685.23ʃ1.18MLP73.00ʃ0.8984.68ʃ1.3590.66ʃ0.6591.06ʃ0.33 2RF68.17ʃ1.179.31ʃ1.5188.7ʃ0.3185.95ʃ0.29 DS74.39ʃ0.7484.47ʃ1.4891.06ʃ0.4891.11ʃ0.35MLP76.93ʃ0.786.79ʃ1.0291.4ʃ1.3792.59ʃ0.34 3RF71.27ʃ0.8582.9ʃ1.1791.89ʃ0.4187.91ʃ0.3 DS78.17ʃ0.7287.04ʃ1.4789.02ʃ0.4892.81ʃ0.35MLP78.69ʃ0.888.83ʃ0.6892.9ʃ0.2693.43ʃ0.26 4RF72.37ʃ0.6484.37ʃ0.989.83ʃ0.2289.27ʃ0.24 DS79.78ʃ0.7188.8ʃ0.4293.11ʃ0.1893.63ʃ0.23MLP80.49ʃ0.8289.68ʃ0.6193.27ʃ0.3693.75ʃ0.39 5RF73.3ʃ0.4485.66ʃ0.9990.01ʃ0.1989.86ʃ0.29 DS81.61ʃ0.6889.83ʃ0.6293.47ʃ0.2594.07ʃ0.243㊀结㊀论通过平衡数据集与非平衡数据集,验证了基于DS证据理论的光谱融合模型的泛化㊁有效性和鲁棒性㊂值得注意的是,与MLP和RF模型相比,DS融合模型提高各类目标的分类精度㊂同时该融合模型的分类精度提升不受数据集的均衡性的影响㊂尽管融合模型的提升性能是有限的,但是该融合模型可以在不增加训练与时间成本的前提下,提高分类的准确性与可靠性㊂参考文献:[1]㊀LANDGREBE D.Hyperspectral Image Data Analysis[J].IEEE Signal Processing Magazine,2002,19(1):17.[2]㊀BIOUCAS-DIAS J.M.,PLAZA A.,CAMPS-VALLSG.,et al.Hyperspectral Remote Sensing Data Analysisand Future Challenges[J].IEEE Geoscience and Re-mote Sensing Magazine.2013,1(2):6.[3]㊀汪泉,宋文龙,张怡卓,等.基于改进VGG16网络的机载高光谱针叶树种分类研究[J].森林工程,2021,37(3):79.WANG Quan,SONG Wenlong,ZHANG Yizhuo,et al.Based on Improved VGG16Conifer Airborne Hyperspec-tral Classification of Network Study[J].Forest engineer-ing,2021,37(3):79.[4]㊀ZHANG X.,SUN Y.,SHANG K.,et al.Crop Classifi-cation Based on Feature Band Set Construction and Ob-ject-Oriented Approach Using Hyperspectral Images[J].IEEE Journal of Selected Topics in Applied Earth Obser-vations and Remote Sensing,2016,9(9):4117. [5]㊀乔璐,陈立新,董诚明.基于高光谱遥感技术对土壤氮磷钾的估算[J].森林工程,2018,34(6):25.QIAO Lu,CHEN Lixin,DONG Chengming.Based onEstimates of Hyperspectral Remote Sensing Technology onSoil NPK[J].Forest Engineering,2018(6):25.[6]㊀UZKENT B.,RANGNEKAR A.,HOFFMAN M.J.,etal.Aerial Vehicle Tracking by Adaptive Fusion of Hyper-spectral Likelihood Maps[C]//2017IEEE Conferenceon Computer Vision and Pattern Recognition Workshops(CVPRW),2017:233.[7]㊀杨曦光,范文义,于颖.森林叶绿素含量的高光谱遥感估算模型的建立[J].森林工程,2010,26(2):8.04哈㊀尔㊀滨㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀YANG Xiguang,FAN Wenyi,YU Ying.Forest of Chlo-rophyll of Hyperspectral Remote Sensing Estimation Mod-el[J].Forest Engineering,2010,26(2):8. [8]㊀CARTER G.A.,LUKAS K.L.,BLOSSOM G.A..Re-mote Sensing and Mapping of Tamarisk Along the Colo-rado River,USA:A Comparative Use of Sum-mer-ac-quired Hyperion,Thematic Mapper and Quickbird Data[J].Remote Sens,2009,9(1):318.[9]㊀FAUVEL M.,TARABALKA Y.,BENEDIKTSSON J.A..Advances in Spectral-spatial Classification of Hyper-spectral Images[J].Proceeding of the IEEE,2013,101(3):652.[10]刘玉珍,朱珍珍,马飞.基于特征融合方法的高光谱图像分类综述[J].激光与光电子学进展,2021,58(4):44.LIU Yuzhen,ZHU Zhenzhen,MA Fei.HyperspectralImage Classification Based on Feature Fusion[J].Ad-vances in Laser and Optoelectronics,2019,58(4):44.[11]叶珍,白璘,何明一.高光谱图像空谱特征提取综述[J].中国图象图形学报,2021,26(8):1737.YE Zhen,BAI Lin,HE Mingyi.Review of Space Spec-trum Feature Extraction in Hyperspectral Images[J].Journal of Image and Graphics,2019,26(8):1737.[12]李秉璇,周冰,贺宣,等.针对高光谱图像的目标分类方法现状与展望[J].激光与红外,2020,50(3):259.LI Bingxuan,ZHOU Bing,HE Xuan,et al.Current Sit-uation and Prospect of Target Classification Methods forHyperspectral Images[J].Laser&Infrared,2020,50(3):259.[13]㊀ZHONG Z.,LI J.,LUO Z.,et al.Spectral-SpatialResidual Network for Hyperspectral Image Classifica-tion:A3-D Deep Learning Framework[J].IEEETransactions on Geoscience and Remote Sensing,2018,56(2):847.[14]㊀ROY S.K.,KRISHNA G.,DUBEY S.R.,et al.HybridSN:Exploring3-D-2-D CNN Feature Hierarchyfor Hyper-spectral Image Classification[J].IEEE Geo-science and Remote Sensing Letters,2020,17(2):277.[15]万亚玲,钟锡武,刘慧,等.卷积神经网络在高光谱图像分类中的应用综述[J].计算机工程与应用,2021,57(4):1.WAN Yaling,ZHONG Xiwu,LIU Hui,et al.Applica-tion of Convolutional Neural Networks in HyperspectralImage Classification[J].Computer Engineering and Ap-plications,2021,57(4):1.[16]㊀GAO H.,YANG Y.,LI C.,et al.Multiscale ResidualNetworkWith Mixed Depth wise Convolution for Hyper-spectral Image Classification[J].IEEE Transactions onGeoscience and Remote Sensing,2021,1(13):3396.[17]PAOLETTI M.,HAUT J.M.,PLAZA J.,et al.A NewDeep Convolutional Neural Network for Fast HyperspectralImage Classification[J].ISPRS Journal of Photogramme-try and Remote Sensing,2018,145:120. [18]叶珍,何明一.PCA与移动窗小波变换的高光谱决策融合分类[J].中国图象图形学报,2015,20(1):132.YE Zhen,HE Mingyi.Hyperspectral Decision FusionClassification by PCA and Moving Window WaveletTransform[J].Journal of Image and Graphics,2015,20(1):132.[19]崔颖,徐凯,陆忠军,等.主动学习策略融合算法在高光谱图像分类中的应用[J].通信学报,2018,39(4):91.CUI Ying,XU Kai,LU Zhongjun,et al.Application ofActive Learning Strategy Fusion Algorithm in Hyperspec-tral Image Classification[J].Journal of Communications,2018,39(4):91.[20]谭术魁,邹尚君,曾忠平,等.基于RF-MLP集成模型的耕地生态安全预警系统设计与应用[J].长江流域资源与环境,2022,31(2):436.TAN Shukui,ZOU Shangjun,ZENG Zhongping,et al.Design and Application of Cultivated Land Ecological Se-curity Early Warning System Based on RF-MLP Inte-grated Model[J].Resources and Environment in theYangtze Basin,2002,31(2):436.(编辑:温泽宇)14第4期李㊀昊等:基于DS证据理论的高光谱图像融合分类。

走进人工智能知到章节答案智慧树2023年青岛职业技术学院

走进人工智能知到章节测试答案智慧树2023年最新青岛职业技术学院绪论单元测试1.AI是（）的英文缩写。

参考答案:Artificial Intelligence2.人工智能是一门由计算机科学、控制论、信息论、语言学、神经生理学、心理学、数学、哲学等多种学科相互渗透而发展起来的综合性的新学科。

（）参考答案:对第一章测试1.1997年5月，以3.5比2.5的总比分战胜世界国际象棋大师卡斯帕罗夫的超级计算机是（）。

参考答案:深蓝2.2016年3月，以4比1的总比分战胜韩国职业围棋冠军李世石的人工智能机器是（）。

参考答案:AlphaGo3.2017年10月，（）授予机器人（）公民身份，该机器人也成为首个获得公民身份的机器人。

参考答案:沙特阿拉伯索菲亚4.人工智能的含义最早由一位科学家于1950年提出，并且同时提出一个机器智能的测试模型，请问这个科学家是（）？参考答案:艾伦.图灵5.（）为致力于通过机器来模拟人类智能的新领域定下了名字——人工智能，被广泛认为是人工智能诞生的标志。

参考答案:达特茅斯会议6.以下哪个不是专家系统的组成部分？（）参考答案:用户7.人工智能的发展经历了（）次浪潮。

参考答案:38.2017年，我国发布的《新一代人工智能发展规划》指出，现在社会已经进入了（）时代。

参考答案:人工智能2.09.AlphaGo的算法原理是暴力穷举。

（）参考答案:错10.AlphaGo以100比0的比分战胜了它的前身AlphaGo Zero。

（）参考答案:错11.MIT AI LAB是世界上第一个人工智能实验室。

（）参考答案:对12.未来社会可以用“智慧、惠普、颠覆”这六个字来概括，而且智慧的特征将更加明显，惠普的价值将更加显著，颠覆的意义将更加凸显。

（）参考答案:对第二章测试1.（）是智能感知的基础，能够帮助人类获取外部环境和自身状态的信息。

参考答案:传感器2.按照GB 7665——1987，传感器的定义为：能感受规定的被测量并按照一定的规律转换成（）的器件或装置。

2022-2023年企业人力资源管理师之二级人力资源管理师能力测试试卷A卷附答案

2022-2023年企业人力资源管理师之二级人力资源管理师能力测试试卷A卷附答案单选题（共50题）1、在中国传统儒家道德思想中,处于核心地位的范畴是（）A."礼"B."仁"C."态"D."气"【答案】 B2、业务价值树是对（）进行分析和评价的工具。

A.工作岗位说明书B.关键绩效C.企业的价值体系D.企业的战略方案【答案】 D3、企业定员的新方法不包括( )。

A.零基定员法B.效率定员法C.运用概率推断确定医务人员人数D.运用数理统计方法对管理人员进行定员【答案】 B4、下列选项中，（）不属于人力资源管理的三大基石。

A.定编定岗定员定额B.员工技能开发C.员工的绩效管理D.员工的引进与培养【答案】 D5、岗位横向分类的原则，不包括（）。

A.程度原则B.时间原则C.单一原则D.协调原则【答案】 D6、()就是通过多方面信息的采集和处理，并对企业成功的关键点进行跟踪和监控。

A.关键绩效指标B.关键分析法C.标杆基准法D.关键竞争法【答案】 B7、以下方法中，有效性特别好，开发性比较好，经济性比较差的绩效考评方法是()。

A.行为定位法B.强制分布法C.关键事件法D.目标管理法【答案】 A8、()是培训管理者为实现整体培训规划而制定的支持性规划。

A.员工培训开发战略规划B.员工培训开发管理规划C.员工培训项目评估规划D.培训需求分析规划【答案】 B9、课程内容选择的基本要求中，（）既是课程内容存在的前提，也是培训课程开发的内在动力。

A.价值性B.有效性C.相关性D.系统性【答案】 C10、主要作用是对岗位评价的计量误差进行调整的权重系数类型是( )。

A.总体加权B.局部加权C.内部加权D.外部加权【答案】 A11、在岗位评价的方法中，( )最适合能随时掌握较为详细的薪酬调查资料的企业采用。

A.排列法B.分值法C.因素比较法D.评分法【答案】 C12、在确定了工作产出、得到绩效考评指标之后，应采用( )提取关键绩效指标。

大数据分析与应用知到章节答案智慧树2023年西安理工大学

大数据分析与应用知到章节测试答案智慧树2023年最新西安理工大学第一章测试1.大数据泛指巨量的（）。

参考答案:数据集2.数据分析指的是用适当的（）对收集来的大量数据进行分析，提取有用信息并形成结论。

参考答案:统计分析方法3.浏览数据这一步骤可以通过对大数据进行（）来实现。

参考答案:可视化4.Gartner将大数据定义为是需要新处理模式才能具有更强的（）以及高增长率和多样化的信息资产。

参考答案:流程优化能力;决策力;洞察发现力5.我们通常用“4V”来反映大数据的特点，4V是指（）。

参考答案:Velocity;Variety6.大数据分析可以应用在那些领域（）。

参考答案:医疗卫生领域;农业领域;商业领域;交通运输领域7.大数据分析的过程包括（）。

参考答案:数据准备;数据理解8.数据只要有足够的规模就可以称为大数据。

（）参考答案:对9.大数据分析是大数据到知识，再到信息的关键步骤。

（）参考答案:错10.大数据分析模型用于描述数据之间的关系。

如确定自变量、因变量，进而通过聚类、回归等方法确定其关系。

（）参考答案:对第二章测试1.数据仓库的定义于哪一年提出（）。

参考答案:19912.符合选择建立数据仓库平台的公认标准的是（）。

参考答案:数据库对大数据量的支持能力3.建立数据仓库的首要步骤是（）。

参考答案:确认主题4.数据仓库的数据模型进行逻辑建模的分析角度是（）。

参考答案:业务分析5.建立数据仓库的选择平台是（）。

参考答案:建模工具;分析工具;数据库6.建立数据仓库的步骤是（）。

参考答案:确认主题;数据传输;选择平台;数据清洗7.符合多维度数据模型构成的是（）。

参考答案:事实表;维度表8.属于衡量业务性能指标的是（）。

参考答案:销售额;销售量9.数据仓库的逻辑数据模型是一维结构的数据视图。

（）参考答案:错10.元数据是对数据仓库中数据的描述信息。

（）参考答案:对第三章测试1.下列哪项属于随机抽样的缺点？（）参考答案:样本中个体数量过多，效率低下2.整群抽样中将总体各单位归并成若干个（）的集合，成为群，然后以群为单位抽取样本。

人工智能基础(习题卷28)

人工智能基础(习题卷28)第1部分：单项选择题，共50题，每题只有一个正确答案,多选或少选均不得分。

1.[单选题]在线性回归中，对回归系数的显著性检验采用（）A)Z检验B)T检验;$F检验C)χ2检验答案:B解析:2.[单选题]人和机器最大的区别是什么？A)能动性B)人性C)思维D)计算答案:B解析:3.[单选题]启发式搜索是寻求问题（）解的一种方法A)最优B)一般C)满意D)最坏答案:C解析:4.[单选题]Prolog语言的三种基本语句是：。

A)顺序、循环、分支B)陈述、询问、感叹C)事实、规则、询问D)肯定、疑问、感叹答案:C解析:5.[单选题]聚类方法主要选择( )，可以起到去除凸起点云的目的，为后续计算抓取点带来更准确的结果。

A)靠拢B)分离C)区域生长D)标注答案:B解析:6.[单选题]常见的图像预处理方法不包括（）。

A)图像降噪B)图像增强解析:图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，主要包括去噪、对比度增强。

图像尺寸归一化也是为了增强对比度。

图像标注是图像处理方法。

7.[单选题]下面说法正确的是？A)梯度下降有时会陷于局部极小值，但ＥＭ算法不会。

B)ＳＶＭ对噪声鲁棒。

C)当训练数据较多时更容易发生过拟合。

D)给定ｎ个数据点，如果其中一半用于训练，另一半用于测试，则训练误差和测试误差之间的差别会随着ｎ的增加而减小。

答案:D解析:8.[单选题]电力、石、天然气以及水利部门对无人机最普遍的应用是( )。

A)测绘B)监测C)架线与选线D)救援答案:C解析:9.[单选题]Jupyter notebook的记事本文件扩展名为：A)mB)pyC)pycD)ipynb答案:D解析:10.[单选题]有一个 28x28 的图片，并使用输入深度为 3 和输出深度为 8 在上面运行一个 3x3 的卷积神经网络。

注意，步幅是 1，你正在使用相同的填充（padding）当使用给定的参数时，输出特征图的尺寸是多少？（）A)13 宽、13 高、8 深B)28 宽、28 高、8 深C)13 宽、28 高、8 深D)28 宽、13 高、8 深答案:B解析:11.[单选题]下列哪一个不是神经网络的代表（）A)卷积神经网络B)递归神经网络C)残差网络D)xgboost算法答案:D解析:xgboost算法属于决策树12.[单选题]植保无人机植保作业的时候，以下哪项是不需要事前确认的( )。

中级经济师经济基础知识点总结--会计第28-32章

中级经济师经济基础知识点总结--会计第28-32章1.现代会计以企业会计为核心，按照对外提供还是对内提供决策所需信息，分为财务会计和管理会计两大分支。

财务会计主要满足投资者、债权人、政府及有关部门和与企业有利害关系的社会公众等外部会计信息使用者的需求；管理会计用于满足内部管理人员需求。

2.财务会计是以会计准则为主要依据，通过一定的程序和方法，确认、计量企业资产、负债、所有者权益的增减变动，记录营业收入的取得、费用的发生和归属，以及收益的形成和分配，定期以财务报表的形式报告企业财务状况、经营成果和现金流量，并分析报表，评价企业偿债能力、营运能力和获利能力等的一套信息处理系统.3.管理会计的内容包括：①预测分析；②决策分析；③全面预算；④成本控制；⑤责任会计等。

会计具有核算和监督两项基本职能。

其中，会计的核算职能是指会计通过确认、计量、记录、报告，运用一定的方法或程序，利用货币形式，从价值量方面反映企业已经发生或完成的客观经济活动情况，为经济管理提供可靠的会计信息。

核算职能是会计的最基本职能。

4.会计核算的经济业务事项包括：①款项和有价证券的收付；②财物的收发、增减和使用；③债权、债务的发生和结算；④资本的增减；⑤收入、支出、费用、成本的计算；⑥财务成果的计算和处理；7需要办理会计手续、进行会计核算的其他事项。

5.会计信息的外部使用者包括：企业投资者、债权人、政府及其有关部门、社会公众、其他使用者。

6.会计信息质量要求包括：①可靠性；②相关性；③清晰性；④可比性；⑤实质重于形式；6重要性；7谨慎性；8及时性。

7.会计国标要解决的问题，首先是谁需要会计信息，其次是需要什么样的会计信息。

8.会计的最终目的是为了向会计信息使用者提供有助于进行决策的信息。

9.会计的基本前提包括货币计量、会计主体、持续经营、会计分期。

10.会计主体是会计所服务的特定单位，规定了会计核算内容的空间范围。

这一前提就是要明确会计所提供的信息，特别是会计报表，反映的是特定会计主体的财务状况与经营成果，要求在会计核算中既不能将本会计主体与其他会计主体混淆，也不能将本会计主体的会计事项遗漏或转移。

情景分析与压力测试

情景分析与压力测试目录1. 内容简述 (2)1.1 文档目的 (2)1.2 文档范围 (3)1.3 主要术语 (4)1.4 文档结构 (5)2. 情景分析 (6)2.1 情景定义 (7)2.2 情景分类 (9)2.3 情景假设 (10)2.4 情景建模基础 (11)3. 压力测试 (12)3.1 压力测试定义 (13)3.2 压力测试目的 (14)3.3 压力测试类型 (15)3.4 压力测试流程 (16)4. 情景分析案例研究 (17)4.1 案例背景 (19)4.2 案例情景分析 (19)4.3 案例结果分析 (20)5. 压力测试案例研究 (21)5.1 案例背景 (22)5.2 案例压力场景 (23)5.3 案例测试工具 (24)5.4 案例结果分析 (25)6. 风险评估与应对措施 (27)6.1 风险识别 (28)6.2 风险评估方法 (30)6.3 风险应对策略 (32)7. 结论与建议 (33)7.1 分析总结 (34)7.2 未来展望 (35)7.3 改进建议 (36)1. 内容简述情景分析与压力测试是两种重要的风险管理工具，它们帮助组织识别、评估和缓解潜在的风险。

情景分析通过设想不同的未来场景，如市场变动、自然灾害或经济衰退等，来预测这些事件对组织的潜在影响。

而压力测试则通过对极端情况的模拟，检验组织在高压环境下的财务稳定性、运营能力和风险承受能力。

通过本文档的学习，读者将能够更好地理解情景分析与压力测试在风险管理中的重要性，并掌握如何运用这两种工具来提升组织的风险防范能力。

1.1 文档目的本文档旨在为管理层和关键利益相关者提供情景分析与压力测试的综合信息。

它详细介绍了业务运营在不同潜在情景下的表现，包括正常运营、小幅度波动、较大波动、极端负面情景以及理想情况等，以此帮助决策者理解在不同的市场环境和内部、外部压力下的组织韧性。

文档的主要目的是识别潜在风险和机会点，为战略规划提供依据，并协助组织制定有效的风险管理策略。