

版權(quán)說(shuō)明:本文檔由用戶(hù)提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、高光譜圖像在實(shí)現(xiàn)監(jiān)測(cè)、勘探等目標(biāo)的重要前提是分類(lèi)技術(shù),其中從統(tǒng)計(jì)學(xué)習(xí)理論中發(fā)展起來(lái)的支持向量機(jī),以結(jié)構(gòu)風(fēng)險(xiǎn)最小化作為理論基礎(chǔ),避免了過(guò)學(xué)習(xí)造成分類(lèi)器過(guò)于復(fù)雜,喪失泛化性的問(wèn)題,尤其在有限樣本的情況下仍然具有良好的分類(lèi)性能。而核函數(shù)的引入,也為解決線(xiàn)性不可分問(wèn)題提供了最佳的解決途徑。然而,支持向量機(jī)的優(yōu)化效率較低卻是阻礙該方法廣泛應(yīng)用的主要因素,特別是一些特定領(lǐng)域的應(yīng)用中對(duì)實(shí)時(shí)性有較高的需求,這將嚴(yán)重影響該方法的實(shí)用價(jià)值。最小二乘支持向量
2、機(jī)對(duì)原始支持向量機(jī)進(jìn)行了改進(jìn),在優(yōu)化條件中用等式約束代替不等式約束,從而大大降低了問(wèn)題求解的復(fù)雜性。雖然最小二乘支持向量機(jī)降低了求解的復(fù)雜度,卻將所有訓(xùn)練樣本都作為支持向量參與未知樣本的預(yù)測(cè),導(dǎo)致該算法在預(yù)測(cè)新樣本時(shí)速度較慢。同時(shí)傳統(tǒng)分類(lèi)器主要理由光譜數(shù)據(jù)進(jìn)行訓(xùn)練以及分類(lèi),忽略了對(duì)地物空間相關(guān)性的挖掘,造成信息獲取不充分的缺陷。
基于以上問(wèn)題,經(jīng)過(guò)對(duì)高光譜圖像分類(lèi)的深入的研究,本文從基本保持分類(lèi)精度不降低的前提下,對(duì)支持向量機(jī)
3、訓(xùn)練過(guò)程進(jìn)行改進(jìn),縮短分類(lèi)過(guò)程所需時(shí)間。在此基礎(chǔ)上,將原始分類(lèi)結(jié)果進(jìn)行與空間相關(guān)信息的融合,進(jìn)一步提高分類(lèi)精度,本文主要工作包括:
首先,介紹了高光譜圖像的課題研究背景和實(shí)現(xiàn)價(jià)值,伴隨著光譜儀硬件性能的提高,遙感圖像數(shù)據(jù)隨之產(chǎn)生的新變化,以及在這種背景下進(jìn)行分類(lèi)中存在的問(wèn)題,也介紹了為解決這些問(wèn)題,國(guó)內(nèi)外學(xué)者不斷努力提出的新方法。
其次,突出了支持向量機(jī)在遙感圖像分類(lèi)中的適用性,與傳統(tǒng)手法需要海量訓(xùn)練數(shù)據(jù)相比,支持向
4、量機(jī)可以在有限訓(xùn)練樣本情況下訓(xùn)練出性能優(yōu)良的判決函數(shù),通過(guò)實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證了這一點(diǎn)。
再次,全面的介紹了原始以及最小二乘支持向量機(jī)的基本原理,并通過(guò)分析其優(yōu)勢(shì)和存在的問(wèn)題,針對(duì)最小二乘支持向量機(jī)以全部訓(xùn)練樣本參與判決的缺陷,構(gòu)建了一種基于庫(kù)倫力的樣本縮減策略,在保證或提高分類(lèi)精度的基礎(chǔ)上,有效提高分類(lèi)器效率,通過(guò)仿真實(shí)驗(yàn)表明,本文樣本縮減策略可以大大縮減分類(lèi)時(shí)間。
最后,介紹了馬爾科夫隨機(jī)場(chǎng)的基本原理,并在本文提出的縮減
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 利用融合方法的遙感圖像分類(lèi)研究.pdf
- 壓縮感知遙感圖像融合及分類(lèi)方法研究.pdf
- 光譜與紋理特征融合的遙感圖像分類(lèi)方法.pdf
- 分形遙感圖像融合及分類(lèi)方法研究.pdf
- 基于紋理及光譜信息融合的遙感圖像分類(lèi)方法研究.pdf
- 粗糙集遙感圖像融合及分類(lèi)方法研究.pdf
- 基于紋理及光譜信息融合的遙感圖像分類(lèi)方法研究(1)
- 基于SVM的高光譜遙感圖像海面溢油分類(lèi)方法研究.pdf
- SVM多類(lèi)分類(lèi)及其在遙感圖像中的應(yīng)用.pdf
- 多尺度幾何分析遙感圖像融合及分類(lèi)方法研究.pdf
- 數(shù)據(jù)融合在遙感圖像分類(lèi)中的應(yīng)用.pdf
- 遙感圖像融合方法的研究.pdf
- 基于SVM圖像分類(lèi)方法的研究.pdf
- 基于圖像融合的高光譜遙感圖像分類(lèi)研究.pdf
- 遙感圖像分類(lèi)方法的研究.pdf
- 基于SVM遙感圖像專(zhuān)題信息提取研究.pdf
- 基于SVM方法的醫(yī)學(xué)圖像分類(lèi)研究.pdf
- 遙感圖像融合方法的研究與應(yīng)用——以SPOT圖像與TM圖像融合為例.pdf
- 結(jié)合空間信息的高光譜遙感圖像分類(lèi)方法研究.pdf
- 基于融合技術(shù)的遙感圖像融合方法研究.pdf
評(píng)論
0/150
提交評(píng)論