發(fā)布時間：2017-12-08 15:02

  本文關鍵詞：基于多核學習的高光譜遙感影像分類方法研究

  更多相關文章： 多核學習 特征選擇 高光譜遙感 核函數(shù) 集成學習

【摘要】：高光譜影像分類目前已是遙感領域的研究前沿,目的是從遙感數(shù)據(jù)中獲取地物信息,分類方法的優(yōu)劣直接影響著分類的精度。特征選擇是從原始特征中選出一些最能代表特征的樣本,是提高學習算法性能的重要手段。過去幾年的研究表明,基于經(jīng)驗風險最小化原則的傳統(tǒng)分類方法,已顯示了明顯的不足。機器學習是人工智能的一個重要領域,由采用支持向量機是基于結構風險最小化原則的統(tǒng)計學習理論發(fā)展出的一種在樣本有限情況下的通用學習方法。本文通過對高光譜影像特性的深入分析,通過引入信息論、計算智能、集成學習等領域的新理論和新方法,研究高效的特征提取與分類技術,探討影響分類準確率的因素,并在多個高光譜影像數(shù)據(jù)集上驗證了本文提出的多種方法。論文主要內容包括:(1)采用標準差,Kullback-Leibler距離和相關系數(shù),提出一種新的特征選擇方法,將信息最豐富和相關性最小的波段作為分類特征。在多核集成框架下對所選擇的特征集進行實驗,實驗結果驗證了方法的有效性。(2)基于信息測度,提出利用Kullback-Leibler距離構造支持向量機核函數(shù),并依此構建了多核集成框架。通過在公開基準數(shù)據(jù)集和高光譜影像數(shù)據(jù)集進行實驗,與目前各種流行的算法的比較,驗證了所提方法的性能。實驗評估了所提方法中的各種參數(shù),為尋找精度和效率間的權衡點提供了依據(jù)。(3)基于互信息和Jeffries-Matusita距離測度提出一種兩階段特征選擇方法。在第一階段,選擇具有最小冗余度最大相關準則的特征。在第二階段,在第一階段獲得的特征子集中,用最大化Jeffries-Matusita距離以增加光譜可分性的方法,進一步選擇特征子集。在基準高光譜數(shù)據(jù)集上的實驗證明了所提方法能選擇更好的特征子集,是一種更有效、更高效的方法。(4)通過帶變異機制的粒子群優(yōu)化算法優(yōu)化支持向量機分類器的參數(shù),并采用AdaBoost和隨機方法解決多類分類問題,提出一個改進的集成學習框架。在此框架下的實驗證明了方法的高效性。
【學位授予單位】：中國地質大學(北京)
【學位級別】：博士
【學位授予年份】：2016
【分類號】：P237

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 賈坤;李強子;田亦陳;吳炳方;;遙感影像分類方法研究進展[J];光譜學與光譜分析;2011年10期

2 朱丹瑤;;遙感影像分類方法研究[J];黑龍江科技信息;2012年33期

3 劉萌偉;曾廣鴻;袁國輝;裴亞波;楊子力;;基于基因表達式編程的遙感影像分類方法研究[J];安陽工學院學報;2013年04期

4 孫立新,羅高平,張怡梅;遙感影像分類的歸類學習方法[J];測繪工程;1998年03期

5 李爽,丁圣彥,許叔明;遙感影像分類方法比較研究[J];河南大學學報(自然科學版);2002年02期

6 黃艷;張超;蘇偉;岳安志;;合理尺度紋理分析遙感影像分類方法研究[J];國土資源遙感;2008年04期

7 余潔;郭培煌;陳品祥;張中山;軟文斌;;基于改進的模糊c-均值聚類方法遙感影像分類研究(英文)[J];Geo-Spatial Information Science;2008年02期

8 溫兆飛;張樹清;陳春;劉春悅;李曉峰;李華朋;;三江源區(qū)湖泊和沼澤遙感影像分類研究[J];濕地科學;2010年02期

9 付博;謝振紅;鄧彩群;;改進的角度余弦方法在濕地遙感影像分類中的應用[J];吉林建筑工程學院學報;2010年04期

10 胡杏花;朱谷昌;徐文海;劉歡;李智峰;鄭緯;;基于分形紋理的遙感影像分類研究[J];礦床地質;2010年S1期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 劉忠陽;陳懷亮;杜子璇;鄒春輝;;基于決策樹方法的Landsat7 ETM+遙感影像分類研究[A];農業(yè)生態(tài)與衛(wèi)星遙感應用技術學術交流會論文摘要集[C];2006年

2 王珊珊;季民;高潔;焦其松;;CBR方法在高分辨率遙感影像分類中的應用[A];《測繪通報》測繪科學前沿技術論壇摘要集[C];2008年

3 湯家法;;基于可拓分類器的遙感影像分類[A];第十七屆中國遙感大會摘要集[C];2010年

4 巫兆聰;;RBF網(wǎng)絡的粗糙表示與遙感影像分類應用[A];第十三屆全國遙感技術學術交流會論文摘要集[C];2001年

5 楊劍;蒲英霞;何一鳴;;基于Getis的遙感影像分類研究[A];中國地理學會百年慶典學術論文摘要集[C];2009年

6 趙泉華;宋偉東;鮑勇;;基于分形紋理的BP神經(jīng)網(wǎng)絡遙感影像分類[A];中國儀器儀表學會第九屆青年學術會議論文集[C];2007年

7 王梁;韓坤英;;分形理論在遙感影像分類中的應用[A];第十二屆全國數(shù)學地質與地學信息學術研討會論文集[C];2013年

8 汪東川;龔建華;張利輝;;基于時間序列軌跡分析的遙感影像分類結果聯(lián)合校正[A];第十七屆中國遙感大會摘要集[C];2010年

9 羅小波;劉明皓;;基于優(yōu)化的BP神經(jīng)網(wǎng)絡遙感影像分類[A];2006年中國土地學會學術年會論文集[C];2006年

10 ;結合光譜、紋理與形狀特征的高空間分辨率遙感影像分類(英文)[A];中國測繪學會第九次全國會員代表大會暨學會成立50周年紀念大會論文集[C];2009年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 王巍;基于Agent的遙感影像分類方法及其應用研究[D];中國地質大學(北京);2016年

2 亓呈明;基于多核學習的高光譜遙感影像分類方法研究[D];中國地質大學(北京);2016年

3 任廣波;基于半監(jiān)督學習的遙感影像分類技術研究[D];中國海洋大學;2010年

4 譚琨;基于支持向量機的高光譜遙感影像分類研究[D];中國礦業(yè)大學;2010年

5 巫兆聰;粗集理論在遙感影像分類中的應用[D];武漢大學;2004年

6 易俐娜;面向對象遙感影像分類不確定性分析[D];武漢大學;2011年

7 胥海威;基于改進隨機聚類決策森林算法的遙感影像分類研究[D];中南大學;2012年

8 徐盛;基于主題模型的高空間分辨率遙感影像分類研究[D];上海交通大學;2012年

9 劉志剛;支撐向量機在光譜遙感影像分類中的若干問題研究[D];武漢大學;2004年

10 丁勝;智能優(yōu)化算法在高光譜遙感影像分類中的應用研究[D];武漢大學;2010年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 吳聰;面向對象的高分辨率遙感影像分類在衛(wèi)片執(zhí)法中的應用研究[D];昆明理工大學;2015年

2 周楊;面向對象的高分辨率遙感影像分類技術研究[D];中國地質大學(北京);2015年

3 張靜;西北旱區(qū)遙感影像分類方法研究[D];西北農林科技大學;2016年

4 王慧;融合各最優(yōu)尺度下特征的高分辨率遙感影像分類[D];南京信息工程大學;2016年

5 姚嘯;面向對象的高分遙感影像分類在森林蓄積量估測中的應用研究[D];西安科技大學;2015年

6 麥超;基于稀疏約束受限玻爾茲曼機的高分辨率遙感影像分類[D];長安大學;2016年

7 崔姍姍;基于Hadoop平臺下森林景觀遙感影像分類技術研究[D];東北林業(yè)大學;2016年

8 陳珂;遙感影像分類結果的空間抽樣精度檢驗方法研究[D];上海海洋大學;2016年

9 紀靜;古村落高分辨率遙感影像分類識別算法研究[D];湖南大學;2015年

10 楊艷青;不同地貌單元下遙感影像分類方法的比較研究[D];山西師范大學;2016年

，

本文編號：1266788