在RVM高光譜圖像分類算法中,主要應(yīng)用的方法為貝葉斯概率模型基礎(chǔ)上開發(fā)設(shè)計而成的監(jiān)督機(jī)器學(xué)習(xí)算法。這一算法當(dāng)前得到了相關(guān)行業(yè)的有效認(rèn)可,且實現(xiàn)了廣泛的應(yīng)用。主要原因是由于該算法在應(yīng)用過程中具有較高的進(jìn)度,且運算的時間相對較短,運算的質(zhì)量比較平穩(wěn)。但是,這一算法在實際應(yīng)用和訓(xùn)練的過程中,在訓(xùn)練樣本不斷增加的基礎(chǔ)上,圖像分類的效率會不斷的降低。因此,相關(guān)研究學(xué)者對其進(jìn)行了相應(yīng)的改進(jìn),進(jìn)而實現(xiàn)了改進(jìn)后的RVM高光譜圖像分析算法。在改進(jìn)的過程中,基于以往的概率模型對其進(jìn)行了全新的設(shè)計與開發(fā),使得計算的復(fù)雜度得到了有效的提升,且促進(jìn)了積分運算的效率,完成了對積分運算的拆分形式應(yīng)用和對數(shù)形式應(yīng)用。經(jīng)研究證明,在經(jīng)過改進(jìn)后的RVM高光譜圖像分類算法中,其運算的進(jìn)度和效率得到了全面的提升,在訓(xùn)練實踐上,即便訓(xùn)練樣本不斷增加,其圖像分類的效率也不會降低。

【文章頁數(shù)】：2 頁

【文章目錄】：
1 引言
2 RVM的改進(jìn)模型構(gòu)建
3 改進(jìn)后RVM高光譜圖像分類效果
    3.1 分類精度
    3.2 分類效率



本文編號：4020044