基于多元邏輯回歸和鄰域信息的高光譜遙感影像半監(jiān)督分類.pdf

1、高光譜遙感技術(shù)雖然被廣泛的應(yīng)用于對地觀測，但是由于高光譜遙感影像數(shù)據(jù)量較大，初始訓(xùn)練樣本的獲取又是一個耗時耗力的過程，使得在處理遙感數(shù)據(jù)的過程中經(jīng)常會遇到信息冗余的問題；多元邏輯回歸分類器在處理高維影像數(shù)據(jù)中有著一定的優(yōu)勢，但是分類器性能好壞主要受其回歸參數(shù)求解的影響，使得參數(shù)優(yōu)化問題尤其顯得突出。論文將半監(jiān)督思想與多元邏輯回歸分類器進行結(jié)合應(yīng)用于高光譜遙感影像分類當(dāng)中，針對目前上述仍存在的問題，提出一些新的算法和改進。
　　本研

2、究主要內(nèi)容包括：⑴針對牛頓算法在求解多元邏輯回歸分類器回歸參數(shù)的過程中經(jīng)常會遇到尋優(yōu)過慢、精度不高的問題，提出一種利用DFP修正擬牛頓算法進行回歸參數(shù)求解來提高運算效率。該算法以弦截法代替牛頓算法中的二階Hessian矩陣，并采用DFP修正法不斷修正。實驗表明：與常用參數(shù)求解算法相比，該改進算法在分類性能上有著很明顯地改進。⑵在半監(jiān)督分類的過程中，非標記樣本的選擇直接決定著對分類器性能改善的程度。針對常用樣本選擇方法中存在的一些問題，提

3、出一種新的改進算法：考慮多個不確定類別之間的不確定性。首先通過閾值將有效類別進行篩選，之后通過方差來度量各個有效類別之間的不易區(qū)分程度，最后選出相似度最大的非標記樣本進行標記。實驗表明：與常用樣本選擇方法相比有著明顯的優(yōu)勢。⑶在半監(jiān)督分類過程中，樣本標簽確定直接決定著最終分類效果的好壞。錯誤的樣本標記不僅不會改善結(jié)果，甚至?xí)?dǎo)致更差的效果。論文基于鄰域信息和多分類器提出一種新的樣本確定算法。首先以待確定的非標記樣本為中心像元，通過設(shè)定圓