无工作证明样本

2024-06-26

无工作证明样本（精选6篇）

篇1：无工作证明样本

无工作证明

兹有 XXX 一人，性别：女，身份证号码XXXXXXX，家住XX县XX街道（村居委会）XX号。与我辖区XXX，身份证号码：XXXXXXX为夫妻关系。现本人无正常工作，无收入来源。

特此证明

街道（居委会）名称

XX年XX月XX日

篇2：无工作证明样本

兹证明本公司法定代表人*****，身份证号*******，以往遵守国家法律法规，无犯罪记录。

********公司

篇3：无工作证明样本

遥感图像分类是遥感图像处理技术中一个具有挑战性的研究领域, 由于目前尚无通用的分类理论, 而现有的大多数算法只针对具体问题[1], 所以人们至今仍在不断探索新的分类理论与分类算法。遥感图像分类方法可分为非监督分类和监督分类, 常见的非监督分类方法有K-Means分类法、FCM分类法;监督分类方法有最大似然分类、Fisher判别分类、神经元网络分类[2]。

支持向量机 (Support Vector Machine, SVM) 是近年提出的一种新监督分类方法, 它能很好地解决学习精度和推广能力之间的矛盾, 罗会兰[3]利用上述优势, 将改进的SVM算法应用于图像分类中, 明显提高了分类精度。与此同时, 在遥感图像分类方法的研究领域, 越来越多的学者开始研究和改进SVM算法[4,5,6,7]。文献[4]分析了统计模式识别方法的优缺点, 提出使用SVM方法进行遥感图像分类的设想。文献[5]首先针对SVM进行遥感图像分类的问题, 提出了理论探讨和实验分析;然后验证了与传统特征降维方法相比, SVM将原特征映射到超子空间的优势;最后深入讨论了SVM的多分类问题和参数的优化, 结论是SVM能有效替代传统模式识别方法对高光谱遥感数据进行分类。文献[6]提出了一种新的复合半监督SVM遥感图像光谱空间分类方法。而文献[7]则提出一种主动学习SVM遥感图像分类方法, 该方法不仅在训练过程中减少了支持向量的个数, 提高了算法效率, 而且提高了分类精确度。

传统非监督分类算法的分类精度通常很难令人满意, 所以遥感图像分类一般会采用分类精度比较高的监督分类方法。但一直以来, 训练样本的选取都是遥感图像监督分类算法的难题, 通常情况下, 遥感图像的样本提取需要人工参与, 十分繁琐, 这也是阻碍SVM在遥感图像处理方面发展的重要原因。针对这个缺陷, 居红云在文献[8]中提出一种利用K-Means聚类提取训练样本的方法, 算法对K-Means聚类后的每类样本再用K-Means算法进行聚类, 提取训练样本。该方法效率低, 算法的分类精度不高。原因在于K-Means算法存在弊端:一是聚类方法提取的训练样本在每一簇中的位置比较分散, 容易包含错分的样本;二是它是一种硬划分, 每个待辨识的对象严格地划分到某个类中, 具有非此即彼的划分性质, 实际上由于混合像元的存在, 使得部分像元很难进行非此即彼的划分。而FCM算法利用模糊集理论能在一定程度上克服硬划分的缺点, 因此FCM在遥感图像分类中的应用也越来越广泛, 如文献[9]针对FCM算法可能会陷入局部最优的缺点, 提出了基于GK和GG两种改进FCM的遥感图像聚类算法, 改进算法对不同形状、尺寸和密度的群集都有很好的适应性, 并且提高了分类的精确度。文献[10]深入研究了模糊集理论在遥感图像分类中的应用, 在对监督分类和非监督分类方法充分研究的基础上, 提出了模糊最大似然分类法, 此方法比单纯的聚类分析的分类效果有很大的改善。

文章充分考虑到训练样本的重要性, 根据FCM聚类后的隶属度矩阵, 提出了利用每类样本中密集程度较高的样本作训练样本的方法, 利用FCM软划分的特点提取性能较好的训练样本, 再结合SVM学习能力和泛化能力强的优点, 完成整个分类过程。

2 支持向量机[4]

1992—1995年, Vapnik等人在统计学习理论的基础上发展出一种新的模式识别方法———支持向量机 (Support Vector Machine, SVM) , 它在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势, 现已广泛用于解决高位数据的监督分类问题, 尤其是处理高维特征空间和大数据量的问题, 如高光谱数据。

SVM的核心思想是把样本通过非线性映射投影到高维特征空间, 以结构风险最小化思想为归纳原则, 在高维空间中构造VC维尽可能低的最优分类面, 使分类风险上界最小化, 从而使分类器对未知样本具有最优的推广能力。基本方法是构造一个超平面作为决策平面, 使得两类之间的空白最大, 构造最优超平面的过程可以转化成为一个典型的二次规划问题 (QP) , 在非线性分类时, 通常采用非线性映射的方法将原始空间中的样本映射到一个高维特征空间中, 使样本在这个空间中线性可分。

假设线性分类器的形式为

即在约束条件:下, C为误差惩罚系数, αi为每个样本对应的Lagrange乘子, αi求解下列函数的最大值

式中:K (xi, xj) =φ (xi) T, φ (xi) 是核函数。

根据二次规划算法求解出αi, 找出αi非零项, 即支持向量的系数, SVM判别函数为

3 模糊K均值聚类 (FCM) 算法

FCM是由Bezdek提出的一种目标函数法, 是模糊聚类算法中最著名、运用最广的算法。FCM聚类算法目标函数为[11]

如果p表示每一个样本xj的维数 (灰度图像时为1) , X=[x1, x2, x3, …, xN]是一个p×N的矩阵;N代表样本数目, 通常表示图像像素;C表示聚类数目;uij⊆U (C×N) 是矢量xj隶属于第i类的隶属度函数, 满足uij∈[0, 1]且;zi为第i类聚类中心, 聚类中心Z=[z1, z2, z3, …, zC]是p×C矩阵。则uij和zi分别更新为

式中:d (xj, zi) =‖xj-zi‖为相似性测度, 一般选用欧氏距离;m∈ (1, ∞) 控制模糊度的权重指数, 它的选取与数据集本身的特点有关, 具体设置方法可参考文献[12]。

FCM算法步骤为:

1) 设置目标函数精度ε, 模糊指数m (m通常取2) , 最大迭代次数Tm;

2) 初始化模糊聚类中心;

3) 由式 (5) 和式 (6) 更新模糊划分矩阵U={uij}和聚类中心Z={zi};

4) 若|J (t) -J (t-1) |<ε或t>Tm则结束聚类, 否则, t=t+1并转到步骤3) ;

5) 由U={uij}得到各像素点分类结果。

4 无人工样本的SVM遥感图像分类

针对人工提取训练样本的繁琐, 提出利用FCM算法提取训练样本的方法, 利用FCM初步分类得到的隶属度矩阵提取训练样本, 只提取每类数据中距离它们均值比较近的样本作为下一步SVM的训练样本。

整个算法流程可总结如下:

1) FCM聚类。设样本X={x1, x2, x3, …, xN} (N为样本的个数) , 用FCM算法 (参数m可调) 对样本进行聚类, 得到C类数据和样本隶属度矩阵U。

2) 提取训练样本, 过程如图1所示。

步骤1:设定每类样本的提取比例参数BL, 并获取所有样本的类别号 (如第i (i∈N) 个样本对应第j (j∈C) 类的隶属度最大, 就默认第i个样本属于第j类, 并记这个最大的隶属度为Fij) ;

步骤2:根据样本类别号, 求每类样本中所有样本属于该类的隶属度 (即最大隶属度Fij) 的均值 (i∈Kj, j=1, 2, …, C, Kj为第j类样本的样本总数) ;

步骤3:求每类样本中样本最大隶属度Fij与Ej (j=1, 2, …, C) 的差值, 按照差值的大小作升序排列, 提取前BL×Kj (j=1, 2, …, C) 个样本作为该类别的训练样本;

步骤4:最后一共得到C类训练样本数据BL×p个及相应的类别号。

3) SVM再次分类。文章中所用SVM函数来自于Libsvm工具箱。利用第2) 步得到的样本数据和类别号进行训练, 建立分类模型model;然后利用model对原数据重新分类, 得到新的类别标签。

5 实验结果及分析

5.1 Iris数据集分类

Iris数据集共有Setosa, Versicolor和Virginica三个类别, Setosa与其他两类是线性可分的, Versicolor和Virginica是线性不可分的。表1是5种算法对Iris数据集的分类结果对比, 其中K-Means算法中迭代次数为30次;FCM算法中权重参数m=9;SVM算法中训练样本比例为10%;文献[8]算法中K-Means算法的迭代次数也为30次;本文算法中FCM算法权重参数m=2、每类样本的提取比例BL=10%。

由表1可以看出K-Means算法的聚类效果最差;相对K-Means算法来说, FCM算法在平均分类精度方面提高了3.3%;由于SVM是监督分类算法, 而且原数据经过高斯核函数映射之后, 原来线性不可分的Versicolor类和Virginica类变得线性可分了, 所以平均分类精度能够达到98.7%;本文算法在分类效果上明显优于文献[8]算法, 平均分类精度提高了4%。另外, 虽然文献[8]算法和本文算法在非监督分类算法的基础上, 都能够有效地提升分类效果, 但是受训练样本的影响, 两种方法的总体分类精度不如监督分类算法。

5.2 遥感图像分类

本文所用的实验数据是由美国喷气推进实验室提供的N/A在Moffett Field附近机载飞行采集的224波段标准高光谱图像数据, 图2中第一幅为原图像 (第10, 20, 30波段合成的伪彩色图像) , 其光谱范围为0.4~2.5μm, 每个通道的波段宽约为10 nm。为了验证文章提出方法在遥感图像分类中的有效性, 在原图像上人工选取了一组遥感数据进行分类实验。提取的遥感数据样本有植被、水体、裸地、居民区和其他5类, 每类50个样本数据, 共250个遥感数据进行试验测试。整个实验在Inter Core双核2.20 GHz, 1.8 Gbyte内存, Windows XP和MATLAB环境下实现。表2对4种方法各自运行10次的平均时间进行对比, 表3是5种算法对遥感数据样本的分类结果对比, 其中K-Means算法中迭代次数为50次;FCM算法中权重参数m=2;SVM算法中训练样本比例为50%;文献[8]算法中K-Means算法的迭代次数也为50次;本文算法中FCM算法权重参数m=2、每类样本的提取比例BL=40%。

图2是几种算法对遥感图像的分类结果图 (伪彩图) , 从图中可以看出本文算法比其他算法的效果要好, 图像纹理更清晰、更接近真实图像。

由表2可以看出本文算法和文献[8]算法都是先提取训练样本, 然后分类, 所以运行时间比非监督分类算法和监督分类算法都要多, 但本文算法却比文献[8]算法节约了91.6%的运行时间, 算法效率得到极大提高。

由表3可以看出K-Means算法对植被、裸地、居民区3个类别都存在错分的现象, 尤其是对裸地分类能力最差, 45个错分到居民区, 5个错分到其他类, 该方法共错分60个样本, 平均分类精度只有76%;而FCM算法克服了混合像元不可分的问题, 极大地提高了分类精度, 总体平均分类精度达到了96.4%;SVM算法的分类效果最好, 只有一个样本被错分, 总体分类精度能够达到99.6%。文献[8]算法与K-Means算法相比, 分类效果略有提高, 比FCM算法分类精度低20%;本文提出的方法对植被和居民区类的错分情况有明显改善, 只有2个裸地样本被错分到居民区类中, 总体平均分类精度达到了99.2%, 分类精度略低于SVM算法, 但比FCM算法提高了3.2%, 比文献[8]的方法提高了23.2%。

6 小结

对于遥感图像监督分类算法而言, 训练样本的获取是极其重要的一个步骤, 一般训练样本的提取都是人工实地考察和遥感图像的结合方法, 十分不易。针对这种缺陷, 文章提出一种FCM提取训练样本的方法。该方法在训练样本提取过程中, 只提取比较靠近聚类中心的样本, 这些样本代表性强、错分概率低、性能较好, 再结合SVM推广能力强的优势, 很好地提高了分类精度。实验结果证明本文提出算法的分类效果比非监督分类算法好, 而且与文献[8]方法相比, 训练样本的提取过程更加简单、合理, 虽然文中提出的分类方法比非监督分类和监督分类算法需要的时间要长, 效果也略逊于监督分类算法, 但这个代价是值得的, 因为它提高了非监督分类算法的分类精度, 免去了监督分类算法中人工提取训练样本的复杂工序, 非常适合应用于遥感图像处理。

摘要：针对遥感图像监督分类方法需要人工提取训练样本的缺陷, 提出一种模糊K均值聚类 (FCM) 提取训练样本、支持向量机 (SVM) 进行分类的方法。首先用FCM进行初步分类得到隶属度矩阵并判断每个样本的类别号;然后根据隶属度矩阵提取每类样本中密集程度较高的样本作为训练样本;最后用SVM对样本进行训练、再次分类。该方法克服了SVM算法需要人工样本的缺点, 改善了传统非监督分类算法的性能, UCI标准数据库Iris数据和遥感数据样本的实验结果证明了该方法的可行性。

关键词：遥感图像分类,模糊C均值聚类,支持向量机,隶属度

参考文献

[1]章毓晋.图象分割[M].北京:科学出版社, 2001.

[2]杨鑫.浅谈遥感图像监督分类与非监督分类[J].四川地质学报, 2008, 28 (3) :251-254.

[3]罗会兰, 杜连平.一种SVM集成的图像分类方法研究[J].电视技术, 2012, 36 (23) :39-42.

[4]张耀波, 张迁.基于SVM的遥感影像的分类[J].地理空间信息, 2005, 3 (4) :24-26.

[5]MELGANI F, BRUZZONE L.Classification of hyperspectral remote sensing images with support vector machines[J].IEEE Trans.Geoscience and Remote Sensing, 2004, 42 (8) :1778-1790.

[6]MARCONCINI M, CAMPS-VALLS G, BRUZZONE L.A composite semisupervised SVM for classification of hyperspectral images[J].IEEE Geoscience and Remote Sensing Letters, 2009, 6 (2) :234-238.

[7]SUN Z, LIU Z, LIU S, et al.Active learning with support vector machines in remotely sensed image classification[C]//Proc.CISP’09.Tianjin, China:IEEE Press, 2009:1-6.

[8]居红云, 张俊本, 李朝峰, 等.基于K-means与SVM结合的遥感图像全自动分类方法[J].计算机应用研究, 2007, 24 (11) :318-320.

[9]YU J, GUO P, CHEN P, et al.Remote sensing image classification based on improved fuzzy C-means[J].Geo-spatial Information Science, 2008, 11 (2) :90-94.

[10]别怀江.基于模糊集的遥感图像分类研究[D].哈尔滨:哈尔滨工程大学, 2005.

[11]俞群爱, 王艳清.基于MATLAB的FCM聚类算法研究[J].科学与财富, 2010 (4) :12-14.

篇4：无证明星如何继续当主持

国内主持人一般受过专业培训，持“播音员主持人证”上岗，许多少年宫和传媒院校都有给孩子们开设的“主持人班”。类似主持人的行当，一直可以追溯到明朝，昆曲中的“副末”就是专门介绍剧情的角色，而在清朝中期兴起的京剧中不再出现，报幕功能由戏单、水牌替代。这么说来，出于行业传统，把嘉宾和主持人定位成两个工种，并没有太大问题。

然而出于明星效应，当下由嘉宾主控全场已经很普遍，比如《欢乐喜剧人》里的吴秀波、《最强大脑》里的蒋昌建以及《我是歌手》里的羽·泉和张宇，担任的都是主持人的角色。

最早使用明星主持人的其实是央视，脍炙人口的1983年春晚就由姜昆、马季和刘晓庆担纲主持。在冯小刚任导演的2014年春晚上，有过多次晚会主持经验的张国立也来客串了一把。他们没有主持人从业资格证书，和电视台不存在雇佣关系，都算是“嘉宾主持”。

这一次整改，真正受到冲击的是使用明星主持群模式以及由“无证人员”把控全局的节目，对于这些节目来说，如何才能为无证明星正名呢？

吴秀波也得考证根据广电总局2004年发布的《广播电视编辑记者、播音员主持人资格管理暂行规定》，国家对主持人实行资格认证，主持人需要通过考试，注册并取得执业凭证。

两本证书是关键—普通话水平测试等级证书（一般要求一级乙等，国家级和省级得达到一级甲等）和播音员主持人资格证。普通话考试任何人都能参加，语言功底还不错的人如果认真准备，通过的难度不大。福建人和国际友人可能需要额外下一些苦功。

取得播音员主持人资格证则得具备相应的专业知识和从业经验（一年以上），让吴秀波去电视台实习一年确实也比较为难。

想要拓宽星路的年轻艺人则容易解锁这个新的挑战，最好在校期间就考下主持人证书。毕竟中国的电视人背负着推广普通话的使命与义务。

给嘉宾配上有证的助理自带粉丝的明星的确对节目收视率贡献良多，比如羽·泉在《我是歌手》里口误后自罚做俯卧撑就增加了节目笑点。汪涵曾经在《我是歌手》总决赛上开玩笑说，主持人的饭碗都要被这样的明星主持人抢走了。

如今许多真人秀、选秀节目当中，作为导师或者评委的明星嘉宾往往是现场的真正把控者，主持人几乎只充当报幕员的角色，这使得嘉宾的言行对节目的影响逐渐吃重。乐嘉在《超级演说家》录制现场醉酒并口吐不雅词语，就一度造成现场失控。

最直接的处理方法是剥离嘉宾在节目中的串场、引导等功能，去除他们的主持属性，让有资质的主持人行使这些职能。没有持证的艺人如果串场交流算违规，不妨给每位明星搭配个有证的助理，替明星说出以下的串场词：

“请看大屏幕！”

“有请张艺谋导演，有请！”