基于SVM遥感图像分类的参数优化研究

发布时间：2020-06-21 00:13

【摘要】：遗传算法和粒子群算法都属于群智能算法的范畴，其基本理论是通过计算机语言模仿动物的某些行为，这种行为的基本特点是由众多个体组成的种群对某一目标开展搜索，这种搜索是基于信息共享的。粒子群算法和遗传算法经过长期的算法改进和应用研究，主要应用于解决现实生活中遇到的规划函数难以获得或解算复杂的规划求解问题。其重要特点是在规划问题特别复杂难以求解的情况下，不需要对具体的函数关系进行推导，而是结合最优函数(适应度)完成参数的规划求解。此外，群智能算法在计算机语言实现过程具有容易理解、便于改进等优势，经过多年的研究已在统筹学、机器学习、人工智能等领域得到了比较广泛的应用。支持向量机(Support Vector Machine，SVM)的分类方法在解决小样本、非线性、局部极小值等问题上有着独特的优势，其以结构风险最小化理论较好地避免了过学习和欠学习的问题，因此在许多分类研究领域中得到广泛的应用。但是在SVM的学习中，虽然支持向量机的参数选择会对其分类效果产生很大的影响，但对SVM核函数参数的选择目前仍没有形成一个统一的模式。研究中使用SVM分类器对研究区内2010年TM遥感图像进行了分类，其主要流程是在MATLAB平台上实现遗传算法和粒子群算法，实现相关的数据转换代码，在完成的上述系统中使用提取的样本优化SVM中的惩罚因子和核参数，得到分类模型并进行分类，在此基础上对遗传算法和粒子群算法优化SVM分类器的参数，所使用的核函数为径向基(RBF)核函数，对惩罚因子C和核参数g优化问题进行进一步讨论。完成了以下研究工作： (1)在MATLAB编程环境下，对实现SVM功能的LibSVM软件包进行了详细的介绍，主要对交叉验证(Cross Validation)中的参数设置、图像数据和样本图像格式转换、分类模型训练、图像分类等流程做了详尽的介绍和深入的研究。 (2)对遗传算法和粒子群算法的实现机理进行分析，在MATLAB环境下以libSVM的交叉验证作为适应度函数，实现了遗传算法和粒子群算法的参数优化功能，其中对遗传算法的选择、交换、变异阶段实现方法进行改进，并与LibSVM的分类工具进行整合，使其与两种参数优化算法合理的完成耦合，为研究区遥感图像的SVM分类研究奠定基础。 (3)以西双版纳勐腊县关累镇和勐腊自然保护区为本次研究的试验区，根据实地调查确定了分类系统，完成了遗传算法参数优化和粒子群参数优化的SVM遥感图像分类。对分类结果进行精度检验，遗传算法寻优分类结果总体精度81.1044%，粒子群算法分类结果总体精度为85.0969%。两种优化算法比较：GA算法参数优化过程中种群适应度逐渐稳定，粒子群群体适应度变化剧烈。
【学位授予单位】：西南林业大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP751;TP18
【图文】：

示意图,机器学习,示意图

机器学习归属于现代智能技术，是人工智能的发展中重要的一个环节，机器学习从观测样本的信息特征出发进而分析对象，从中预测对象的属性划分问题就是机器学习中的分类研究领域，机器学习的基本模型如图2-1：图2-1 机器学习示意图Figure 2-1 machine learning schemes

示意图,结构风险最小化,示意图,子集

[44]。图2-2 结构风险最小化示意图Figure 2-2 structure risk minimization由此出现了两种通过结构风险最小化归纳原理实现学习机，其主要的原理如下：1. 对于一个函数集合或者是样本集合，按照 VC 维理论构建多个函数子集或者是子样本，在每个子集或样本中求取最小经验风险，同时得到该子集或样本的VC 维即置信风险。2. 改变函数集合的某种结构（SVM 中依赖于核函数对样本集的非线性变化），使得在其中的各函数子集或分类类型均可以取得最小的经验风险(例如，使得训练误差为0)，值得提出的是支持向量使用的就是该类型的结构风险最小化归纳原理。2.1.2 支持向量机的基本方法统计学习理论包括边界理论和结构风险最小化原理等部分

【参考文献】