本文選題：半監(jiān)督分類　切入點(diǎn)：局部全局一致性　出處：《哈爾濱工程大學(xué)學(xué)報(bào)》2017年07期 　論文類型：期刊論文

【摘要】：針對(duì)高光譜數(shù)據(jù)波段多,地物標(biāo)簽獲取代價(jià)高,帶標(biāo)記的樣本數(shù)量少,分類過程中容易引起Hudges現(xiàn)象。本文提出一種基于改進(jìn)的局部全局一致性(learning with local and global consistency,LLGC)算法的半監(jiān)督分類方法。通過邊緣采樣法(margin sampling,MS)選取最富含信息量的無標(biāo)簽樣本,加入到訓(xùn)練集來擴(kuò)充訓(xùn)練樣本;用KNN算法計(jì)算相似度進(jìn)一步優(yōu)選無標(biāo)簽樣本,去除噪聲點(diǎn)和存在的野值點(diǎn);使用改進(jìn)的局部全局一致性算法對(duì)無標(biāo)簽樣本集進(jìn)行分類標(biāo)記,得到各類別的分類結(jié)果。實(shí)驗(yàn)結(jié)果表明,本文方法在充分利用無標(biāo)簽樣本的情況下,有效地提高了帶有少量標(biāo)簽樣本的高光譜圖像的分類精度。
[Abstract]:In view of the high frequency bands of hyperspectral data, the high cost of acquiring feature labels and the small number of labeled samples, This paper presents a semi-supervised classification method based on the improved local global consistency learning with local and global consistency algorithm. The margin sampling method is used to select the most informative unlabeled samples. Add the training set to expand the training sample; use KNN algorithm to calculate the similarity to select the untagged sample further, remove the noise points and the existing outliers; use the improved local global consistency algorithm to classify the untagged sample set, and label the untagged sample set by using the improved local global consistency algorithm. The experimental results show that the proposed method can effectively improve the classification accuracy of hyperspectral images with a small number of labeled samples under the condition of making full use of unlabeled samples.
【作者單位】： 哈爾濱工程大學(xué)信息與通信工程學(xué)院;江南機(jī)電設(shè)計(jì)研究所;
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目(60802059) 教育部博士點(diǎn)新教師基金項(xiàng)目(200802171003)
【分類號(hào)】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊鑫;;淺談遙感圖像監(jiān)督分類與非監(jiān)督分類[J];四川地質(zhì)學(xué)報(bào);2008年03期

2 劉建南;冷亮;楊國(guó)東;;遙感影像平行六面體法則監(jiān)督分類與目視識(shí)別的對(duì)比分析[J];才智;2009年19期

3 鄭明國(guó),秦明周;利用眾數(shù)濾波對(duì)監(jiān)督分類訓(xùn)練樣本純化的研究[J];信陽(yáng)師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2003年03期

4 程希平;遙感數(shù)字圖像的比值處理及其在監(jiān)督分類中的應(yīng)用[J];地球科學(xué);1988年01期

5 巢寧佳;;遙感影像監(jiān)督分類[J];江西測(cè)繪;2007年04期

6 羅琴;田錚;;高光譜圖像無監(jiān)督分類的非線性特征提取器[J];宇航學(xué)報(bào);2007年05期

7 劉志剛,史文中,李德仁,秦前清;一種基于支撐向量機(jī)的遙感影像不完全監(jiān)督分類新方法[J];遙感學(xué)報(bào);2005年04期

8 任廣波;張杰;馬毅;鄭榮兒;;生成模型學(xué)習(xí)的遙感影像半監(jiān)督分類[J];遙感學(xué)報(bào);2010年06期

9 張景雄;遙感影像的全模糊監(jiān)督分類[J];武漢測(cè)繪科技大學(xué)學(xué)報(bào);1998年03期

10 羅小波;鄧?yán)?楊富平;;基于Kohonen神經(jīng)網(wǎng)絡(luò)的遙感影像監(jiān)督分類[J];重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年05期

相關(guān)會(huì)議論文 前1條

1 袁金國(guó);;遙感影像監(jiān)督分類方法的應(yīng)用研究[A];科技、工程與經(jīng)濟(jì)社會(huì)協(xié)調(diào)發(fā)展——中國(guó)科協(xié)第五屆青年學(xué)術(shù)年會(huì)論文集[C];2004年

相關(guān)博士學(xué)位論文 前1條

1 王春陽(yáng);基于信息熵的自訓(xùn)練半監(jiān)督高光譜遙感影像分類研究[D];河南理工大學(xué);2015年

，

本文編號(hào)：1643617