基于GA-PSO优化支持向量机的遥感图像分类研究

发布时间：2020-06-10 12:16

【摘要】：遥感图像的分类识别是遥感技术应用领域中的关键技术之一,高精度的遥感图像分类算法是解决实际问题应用的前提。国内外研究者将众多的机器学习算法应用于遥感图像的分类研究,以期能够提高遥感图像的分类精度,挖掘更多有效的信息。支持向量机(SVM)算法是近年来较为流行的一种分类算法,该算法是在统计学习理论的VC维理论和结构风险最小原理基础上被提出的,相比于其他机器学习算法具有独特的优势,尤其是在处理小样本、非线性等问题时其分类效果十分显著,目前该算法被广泛的应用于各个领域。本文以SVM分类算法为基础,结合当下应用较为广泛的智能优化算法,对SVM的参数进行优化选取,找到更佳的参数,提高遥感图像的分类精度。文章在深入研究了粒子群算法(PSO)和遗传算法(GA)理论的基础上,分别分析了它们的优点和缺点,发现粒子群算法优化SVM分类器参数时,存在着容易早熟收敛,分类精度相对较低、容易陷入局部最优解的问题,本文提出了一种以自适应权重粒子群算法为基础,引入遗传算法交叉变异算子的混合优化算法(GA-PSO),利用这种改进的算法优化SVM分类器参数对遥感图像进行分类。本文分别以高分辨率的遥感图像Quick Bird和中等分辨率的遥感图像Landsat8为例,对图像进行预处理以及特征提取等操作,然后通过目视解译与实地调查确认地物类别并选取分类样本,最后分别使用PSO-SVM算法和本文构建的新算法(GA-PSO-SVM)进行土地利用分类实验,同时对两种算法的分类精度进行比较分析;结果表明,Quick Bird遥感图像的平均分类精度提高了5.07%,Landsat8遥感图像的平均分类精度提高了6.32%;实验证明,构建的新算法提高了粒子群算法的搜索性能,可以寻找最佳SVM分类器的参数,并且对高分辨率遥感图像和中等分辨率遥感图像均有较好的适应性,能够获得较高的分类精度,是一种有效的方法。
【学位授予单位】：湖南农业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751;TP181

【参考文献】

相关期刊论文 前8条

1 刘希亮;赵学胜;陆锋;孙文彬;;基于GA-SVM的露天矿抛掷爆破抛掷率预测[J];煤炭学报;2012年12期

2 汪海燕;黎建辉;杨风雷;;支持向量机理论及算法研究综述[J];计算机应用研究;2014年05期

3 林怡;刘冰;陈映鹰;潘琛;;多特征差分核支持向量机遥感影像变化检测方法[J];武汉大学学报(信息科学版);2013年08期

4 张俊红;刘昱;马文朋;马梁;李林洁;;基于GAPSO-SVM的航空发动机典型故障诊断[J];天津大学学报;2012年12期

5 马永杰;云文霞;;遗传算法研究进展[J];计算机应用研究;2012年04期

6 余梓唐;;基于粒子群算法优化支持向量机汽车故障诊断研究[J];计算机应用研究;2012年02期

7 臧卓;林辉;杨敏华;;基于PSO-SVM的高光谱数据降维的可靠性研究[J];中国农学通报;2011年31期

8 李刚;万幼川;;商空间理论下面向对象的遥感影像分类[J];光电工程;2011年02期

，

本文编号：2706277