本文關(guān)鍵詞：基于改進(jìn)支持向量機(jī)的高光譜遙感影像分類(lèi)方法研究　出處：《江西理工大學(xué)》2016年碩士論文　論文類(lèi)型：學(xué)位論文

  更多相關(guān)文章： 支持向量機(jī) 高光譜遙感 影像分類(lèi) 層次聚類(lèi)分析

【摘要】：高光譜遙感因其具有較高的光譜分辨率的特點(diǎn),使得很多在寬波段遙感中不能夠探測(cè)得到的物質(zhì),可以在高光譜遙感中被探測(cè),從而增強(qiáng)地物目標(biāo)信息的探測(cè)能力,近年來(lái)受到許多國(guó)內(nèi)外研究學(xué)者的青睞。很多研究學(xué)者利用支持向量機(jī)高效搜索和強(qiáng)大的進(jìn)化能力從一定程度上解決了傳統(tǒng)分類(lèi)方法需要事先獲取地物目標(biāo)標(biāo)記類(lèi)別問(wèn)題。但是目前常用的支持向量機(jī)影像分類(lèi)方法受限于參數(shù)的選擇使得分類(lèi)精度較低、分類(lèi)速度較慢。針對(duì)這種情況,在本文中試圖利用層次聚類(lèi)分析法優(yōu)化支持向量機(jī)參數(shù),結(jié)合高光譜遙感影像數(shù)據(jù)特點(diǎn),采用支持向量數(shù)據(jù)描述算法使高光譜遙感影像數(shù)據(jù)包含在一個(gè)盡可能小的超球,再利用空間度量可分性性質(zhì)得到了一種改進(jìn)支持向量機(jī)的分類(lèi)方法,并且將該分類(lèi)方法應(yīng)用到高光譜遙感影像的分類(lèi)中,本文的主要研究工作如下:(1)針對(duì)目前常用的支持向量機(jī)影像分類(lèi)方法在核函數(shù)和參數(shù)選擇上的不足之處,本文利用層次聚類(lèi)分析法優(yōu)化支持向量機(jī)參數(shù)。(2)結(jié)合高光譜遙感影像數(shù)據(jù)的特點(diǎn),采用支持向量數(shù)據(jù)描述算法使高光譜遙感影像數(shù)據(jù)包含在一個(gè)盡可能小的超球,再利用空間度量可分性性質(zhì),以高光譜遙感影像作為研究對(duì)象,提出了一種改進(jìn)的支持向量機(jī)影像分類(lèi)方法。(3)在.NET平臺(tái)下,借助C#編程語(yǔ)言,實(shí)現(xiàn)提出的改進(jìn)支持向量機(jī)影像分類(lèi)方法。(4)將改進(jìn)支持向量機(jī)的影像分類(lèi)算法應(yīng)用于高光譜遙感影像分類(lèi)中,并且將該分類(lèi)方法和目前常用的支持向量機(jī)影像分類(lèi)方法進(jìn)行比較分析,再將該分類(lèi)方法和常用的傳統(tǒng)分類(lèi)方法中的BP神經(jīng)網(wǎng)絡(luò)影像分類(lèi)方法和K均值影像分類(lèi)方法進(jìn)行比較。通過(guò)比較實(shí)驗(yàn)結(jié)果可以得到:本文提出的改進(jìn)支持向量機(jī)分類(lèi)方法在高光譜遙感影像中的分類(lèi)整體精度更高、分類(lèi)速度更快,由此可以說(shuō)明本文提出的改進(jìn)支持向量機(jī)分類(lèi)方法可以有效地進(jìn)行高光譜遙感影像的分類(lèi),為高光譜遙感影像的分類(lèi)提供了一種新方法。
【學(xué)位授予單位】：江西理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：P237

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 馮劍豐;王洪禮;李勝朋;;基于支持向量機(jī)的浮游植物密度預(yù)測(cè)研究[J];海洋環(huán)境科學(xué);2007年05期

2 蔡佳;陳洪;;ν-支持向量機(jī)的收斂性[J];湖北大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年04期

3 唐萬(wàn)梅;;基于灰色支持向量機(jī)的新型預(yù)測(cè)模型[J];系統(tǒng)工程學(xué)報(bào);2006年04期

4 熊宇虹;溫志渝;梁玉前;陳勤;張波;劉妤;向賢毅;;基于支持向量機(jī)的模型傳遞方法研究[J];光譜學(xué)與光譜分析;2007年01期

5 左林;;一個(gè)新的稀疏支持向量機(jī)模型[J];山西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年03期

6 赫英明;王漢杰;;支持向量機(jī)在積雪檢測(cè)中的應(yīng)用[J];南京氣象學(xué)院學(xué)報(bào);2009年01期

7 賈亮;王禮力;;支持向量機(jī)在上市公司財(cái)務(wù)預(yù)警模型中的應(yīng)用[J];淮陰工學(xué)院學(xué)報(bào);2010年02期

8 郎宇寧;藺娟如;;基于支持向量機(jī)的多分類(lèi)方法研究[J];中國(guó)西部科技;2010年17期

9 謝福民;;支持向量機(jī)理論研究[J];科技廣場(chǎng);2011年01期

10 王紅蔚;席紅旗;孔波;;一種新的半監(jiān)督支持向量機(jī)[J];鄭州大學(xué)學(xué)報(bào)(理學(xué)版);2012年03期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 余樂(lè)安;姚瀟;;基于中心化支持向量機(jī)的信用風(fēng)險(xiǎn)評(píng)估模型[A];第六屆（2011）中國(guó)管理學(xué)年會(huì)——商務(wù)智能分會(huì)場(chǎng)論文集[C];2011年

2 劉希玉;徐志敏;段會(huì)川;;基于支持向量機(jī)的創(chuàng)新分類(lèi)器[A];山東省計(jì)算機(jī)學(xué)會(huì)2005年信息技術(shù)與信息化研討會(huì)論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機(jī)學(xué)習(xí)方法[A];全國(guó)第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機(jī)的系統(tǒng)辨識(shí)方法研究及應(yīng)用[A];中國(guó)力學(xué)大會(huì)——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機(jī)方法的衢州降雪模型[A];第五屆長(zhǎng)三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機(jī)方法預(yù)測(cè)膜蛋白類(lèi)型[A];第十一次中國(guó)生物物理學(xué)術(shù)大會(huì)暨第九屆全國(guó)會(huì)員代表大會(huì)摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機(jī)綜述[A];全國(guó)第十五屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學(xué)與支持向量機(jī)[A];2005年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機(jī)算法[A];2006中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2006年

10 侯澍e，

本文編號(hào)：1316404