支持向量機集成及在遙感分類中的應用.pdf

1、自Vapnik于1995年提出支持向量機(SupportVectorMachines，SVM)后，支持向量機已經(jīng)在很多領域得到了成功的應用。然而支持向量機也存在著幾個缺點：首先，用于解優(yōu)化問題的逼近算法會影響泛化能力；其次，核函數(shù)和分類參數(shù)(包括懲罰系數(shù)C，核函數(shù)參數(shù))的選擇沒有特別好的辦法，應用時不容易找到最優(yōu)的核函數(shù)和分類參數(shù)；最后，兩類支持向量機擴展到多類時會導致性能下降。集成技術(shù)是現(xiàn)在機器學習的熱點之一，以神經(jīng)網(wǎng)絡、決策樹等為基

2、本分類器的集成研究已經(jīng)取得了很大的進展，而基于支持向量機的集成技術(shù)研究相對起步較晚，研究較少。本文研究了多類支持向量機集成，同時，嘗試把支持向量機集成應用于遙感分類的研究。本文所取得的創(chuàng)新性研究成果主要有： 1.比起神經(jīng)網(wǎng)絡、決策樹等學習算法，支持向量機是相對穩(wěn)定的分類器，利用常用的集成算法Bagging和Boosting對SVM進行集成并不能有效地提高分類效果，本文提出了同時擾動訓練集和SVM分類模型參數(shù)的RBaggSVM和R

3、BoostSVM算法，算法的特點是在一定的范圍內(nèi)隨機選取SVM的模型參數(shù)，以獲得有差異的成員分類器。 2.把尋找部分分類器參與集成以取得最佳效果看作是優(yōu)化問題，遺傳算法對優(yōu)化問題具有全局尋優(yōu)能力，本文提出了基于遺傳算法的GARBaggSVM和GARBoostSVM分類器選擇算法。嘗試應用遺傳算法對SVM集成的合成權(quán)重進行優(yōu)化，然后選擇最優(yōu)的部分成員SVM參與集成來提高分類精度。 3.提出一種基于局部精度的動態(tài)集成算法DE

4、RBaggSVM和DERBoostSVM，根據(jù)待分類測試樣本在其周圍鄰近空間的局部精度來選擇一部分成員分類器參與集成，經(jīng)投票或加權(quán)投票得到分類結(jié)果。 4.嘗試將多類支持向量機、支持向量機集成應用到多源遙感分類中，并與最大似然法、神經(jīng)網(wǎng)絡和神經(jīng)網(wǎng)絡集成技術(shù)進行比較，顯示了支持向量機集成技術(shù)在遙感圖像分類研究中的應用潛力和前景。 5.針對圖像像元存在著時空上的關(guān)聯(lián)，提出基于上下文分類模型的MRF-SVM算法，把馬爾可夫隨機場