發(fā)布時間：2017-04-08 13:26

  本文關(guān)鍵詞：基于相關(guān)向量機的高光譜遙感圖像分類研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：高光譜遙感圖像憑借其較高的光譜分辨率,超高的光譜信息量以及相鄰波段較高的相關(guān)性,具有較強的實用性,已成為遙感圖像領(lǐng)域的一個研究熱點,受到各國專家學(xué)者的青睞。相關(guān)向量機理論是2001年M.E.Tipping提出的一種新型的基于貝葉斯統(tǒng)計學(xué)習(xí)框架的有監(jiān)督機器學(xué)習(xí)算法,該算法的提出彌補了傳統(tǒng)SVM算法的不足。相關(guān)向量機通過回歸估計獲取預(yù)測值的概率分布,從而得到一個基于核函數(shù)的稀疏解,能夠處理回歸和分類問題。通過對高光譜遙感圖像的分類研究我們發(fā)現(xiàn),相關(guān)向量機對于高維大樣本的高光譜圖像分類精度并不是很高,基于此問題,本文提出了一種改進的相關(guān)向量機算法。本文通過對傳統(tǒng)相關(guān)向量機與支持向量機分類算法的研究,發(fā)現(xiàn)對高維大樣本數(shù)據(jù),相關(guān)向量機不論是在Kappa系數(shù)還是總體分類精度上都不及傳統(tǒng)的支持向量機。因此,本文將研究重點放在了對原始數(shù)據(jù)的預(yù)處理階段上。首先,我們采用主成分分析法對原始數(shù)據(jù)進行降維處理,實驗結(jié)果表明,與傳統(tǒng)相關(guān)向量機相比,經(jīng)過主成分分析法處理后再使用相關(guān)向量機分類,分類精度并不能得到有效提升。其次,論文利用線性判別分析法對原始數(shù)據(jù)進行降維處理,實驗結(jié)果表明,與傳統(tǒng)相關(guān)向量機相比,其分類精度仍然不能得到有效的提升。最后,本文提出了一種改進型的相關(guān)向量機算法。該算法將主成分分析法與線性判別分析法相結(jié)合,對高光譜數(shù)據(jù)進行二次降維,然后采用相關(guān)向量機進行遙感圖像分類。實驗結(jié)果顯示,與傳統(tǒng)相關(guān)向量機相比,本文算法在分類精度上有了明顯的提升,數(shù)據(jù)的類間及類內(nèi)距離比總體增大,從而達到我們降低維度提升分類精度的目的。本文通過對相關(guān)向量機算法的研究,針對該算法對高維大樣本數(shù)據(jù)分類精度不高的問題提出了一種改進型算法,不僅降低了樣本數(shù)據(jù)維數(shù)、保留了主要的信息量也提升了相關(guān)向量機的分類精度。最后,文章分析了本文算法在高光譜遙感圖像分類上的優(yōu)勢與不足之處,為今后我們進一步的研究打下了堅實的基礎(chǔ)。
【關(guān)鍵詞】：相關(guān)向量機 高光譜遙感圖象分類 降維 主成分分析法 線性判別分析法
【學(xué)位授予單位】：北方民族大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP751
【目錄】：

• 摘要3-4
• Abstract4-8
• 第一章 緒論8-16
• 1.1 研究背景與意義8-11
• 1.2 國內(nèi)外研究進展11-13
• 1.3 存在的問題13
• 1.4 論文主要研究內(nèi)容與章節(jié)安排13-16
• 第二章 高光譜遙感圖像分類及相關(guān)向量機理論16-29
• 2.1 高光譜遙感圖像分類16-17
• 2.2 支持向量機理論17-22
• 2.3 相關(guān)向量機理論22-26
• 2.4 分類精度評價26-28
• 2.5 本章小結(jié)28-29
• 第三章 主成分分析法與線性判別分析法29-39
• 3.1 高光譜遙感圖像中的數(shù)據(jù)降維29-33
• 3.2 主成分分析法33-36
• 3.3 線性判別分析法36-38
• 3.4 本章小結(jié)38-39
• 第四章 相關(guān)向量機遙感圖像分類算法的分析與研究39-50
• 4.1 問題的提出39
• 4.2 實驗數(shù)據(jù)39-41
• 4.3 基于相關(guān)向量機的高光譜遙感圖像分類41-43
• 4.4 基于PCA的相關(guān)向量機高光譜遙感圖像分類43-46
• 4.5 基于LDA的相關(guān)向量機高光譜遙感圖像分類46-49
• 4.6 本章小結(jié)49-50
• 第五章 基于改進型相關(guān)向量機的高光譜遙感圖像分類50-57
• 5.1 本文算法的提出50
• 5.2 本文算法基本原理50-52
• 5.3 本文算法仿真實驗52-53
• 5.4 實驗結(jié)果及分析53-56
• 5.5 本章小結(jié)56-57
• 第六章 總結(jié)與展望57-59
• 6.1 工作總結(jié)57-58
• 6.2 研究展望58-59
• 參考文獻59-64
• 致謝64-65
• 在學(xué)期間公開發(fā)表論文及科研情況65

  本文關(guān)鍵詞：基于相關(guān)向量機的高光譜遙感圖像分類研究，由筆耕文化傳播整理發(fā)布。

本文編號：292981