基于集成学习的高光谱图像分类

发布时间：2017-08-30 18:40

  本文关键词：基于集成学习的高光谱图像分类

  更多相关文章： 高光谱图像 集成学习 分类 支持向量数据描述 支持向量机

【摘要】：随着成像光谱仪的快速发展,其产生的数据光谱分辨率变得更高,传统的数据处理方法不能够满足需求。集成学习作为机器学习领域热门研究内容,被引入到高光谱数据处理中,使用多个学习器(学习算法)来处理同一个问题,起到了显著作用。本文就是将集成学习引入到高光谱图像分类中来,重点研究了支持向量数据描述集成的分类方法和支持向量机集成的分类方法。本文主要研究内容如下:1、提出一种支持向量数据描述集成的分类方法。结合高光谱图像的数据特点,使用主成分分析方法对数据做降维处理,然后选取训练样本训练分类器支持向量数据描述,最后将分类器结果使用投票法的集成策略进行集成。从实验结果来看,一定程度上的提高了高光谱图像的分类精度。2、提出一种支持向量机集成的分类方法。数据降维之后,采用空-谱特征提取的方法提取数据特征,使用主动学习方法选取训练样本,用支持向量机作为AdaBoost方法的基分类器,对高光谱图像进行分类,得到的集成结果表明,该方法有效的提高了分类精度。
【关键词】：高光谱图像 集成学习 分类 支持向量数据描述 支持向量机
【学位授予单位】：黑龙江大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP751
【目录】：

• 中文摘要4-5
• Abstract5-9
• 第1章 绪论9-16
• 1.1 研究的目的和意义9-10
• 1.2 高光谱遥感图像分类及集成学习的研究现状10-14
• 1.2.1 高光谱遥感图像分类的研究现状11-12
• 1.2.2 集成学习研究现状12-14
• 1.3 论文组织结构14-16
• 第2章 集成学习分类理论基础16-27
• 2.1 集成学习基础16-18
• 2.1.1 集成学习的基本概念16-17
• 2.1.2 集成学习的优势17-18
• 2.2 集成学习的经典算法18-22
• 2.2.1 Boosting算法18-20
• 2.2.2 Bagging算法20-22
• 2.2.3 Boosting算法和Bagging算法比较22
• 2.3 分类器集成22-26
• 2.3.1 构成基分类器的条件22-23
• 2.3.2 基分类器的构成23-24
• 2.3.3 基分类器的组合方法24-26
• 2.4 本章小结26-27
• 第3 章高光谱图像的分类基础27-34
• 3.1 高光谱遥感数据27-31
• 3.1.1 高光谱数据的描述形式27-30
• 3.1.2 高光谱数据的特性30-31
• 3.2 高光谱图像分类过程31-33
• 3.2.1 图像预处理和训练样本的选择31
• 3.2.2 高光谱数据降维31
• 3.2.3 高光谱图像分类精度的评价31-33
• 3.3 本章小结33-34
• 第4章 基于支持向量数据描述集成的高光谱图像分类34-47
• 4.1 一类分类综述34-36
• 4.1.1 一类分类器的分类34-35
• 4.1.2 基于核的一类分类器的分类35-36
• 4.2 支持向量数据描述(SVDD)的原理36-39
• 4.3 主成分分析(PCA)方法对高光谱数据降维39-43
• 4.3.1 主成分分析(PCA)方法的原理39-40
• 4.3.2 主成分分析方法对高光谱数据降维结果分析40-43
• 4.4 支持向量数据描述(SVDD)集成的高光谱图像分类43
• 4.5 实验结果与分析43-46
• 4.5.1 实验数据43-44
• 4.5.2 实验结果及分析44-46
• 4.6 本章小结46-47
• 第5章 基于支持向量机集成的高光谱图像分类47-60
• 5.1 支持向量机47-54
• 5.1.1 线性支持向量机47-52
• 5.1.2 非线性支持向量机52-53
• 5.1.3 常用的核函数53-54
• 5.1.4 支持向量机集成54
• 5.2 空-谱特征提取54-55
• 5.3 支持向量机集成的高光谱图像分类55-56
• 5.3.1 主动学习方法构造样本集55-56
• 5.3.2 SVM-AdaBoost分类56
• 5.4 实验结果与分析56-59
• 5.5 本章小结59-60
• 结论60-62
• 参考文献62-69
• 致谢69-70
• 攻读学位期间发表的论文70

【相似文献】

中国期刊全文数据库 前10条

1 潘志松;燕继坤;;少数类的集成学习[J];南京航空航天大学学报;2009年04期

2 饶峰;;核机器集成学习算法的误差分析[J];重庆文理学院学报(自然科学版);2010年04期

3 朱敏;张永清;李梦龙;周大威;黄俊;;基于集成学习方法的蛋白质相互作用预测[J];四川大学学报(工程科学版);2011年03期

4 唐耀华;高静怀;包乾宗;;一种新的选择性支持向量机集成学习算法[J];西安交通大学学报;2008年10期

5 倪勇;吴汶芪;李君;;基于小样本的集成学习研究[J];机电工程;2009年12期

6 蒋宗礼;徐学可;;一种基于集成学习与类指示器的文本分类方法[J];北京工业大学学报;2010年04期

7 张伶卫;万文强;;基于云计算平台的代价敏感集成学习算法研究[J];山东大学学报(工学版);2012年04期

8 李文斌;刘椿年;钟宁;;基于两阶段集成学习的分类器集成[J];北京工业大学学报;2010年03期

9 付忠良;;一种用于方向预测的集成学习算法[J];上海交通大学学报;2012年02期

10 李晓欧;范婵娇;;集成学习在脑机接口分类算法中的研究[J];电子测量与仪器学报;2011年11期

中国重要会议论文全文数据库 前4条

1 关菁华;刘大有;贾海洋;;自适应多分类器集成学习算法[A];第二十五届中国数据库学术会议论文集（二）[C];2008年

2 刘伍颖;王挺;;一种多过滤器集成学习垃圾邮件过滤方法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

3 叶红云;倪志伟;陈恩红;;一种混合型集成学习演化决策树算法[A];2005年“数字安徽”博士科技论坛论文集[C];2005年

4 李烨;蔡云泽;许晓鸣;;基于支持向量机集成的故障诊断[A];第16届中国过程控制学术年会暨第4届全国故障诊断与安全性学术会议论文集[C];2005年

中国博士学位论文全文数据库 前10条

1 阿里木·赛买提(Alim.Samat);基于集成学习的全极化SAR图像分类研究[D];南京大学;2015年

2 王永明;集成回归问题若干关键技术研究[D];华东师范大学;2015年

3 常征;基于混合集成学习的眼部与四肢交互动作建模与识别[D];北京科技大学;2016年

4 张春霞;集成学习中有关算法的研究[D];西安交通大学;2010年

5 刘天羽;基于特征选择技术的集成学习方法及其应用研究[D];上海大学;2007年

6 尹华;面向高维和不平衡数据分类的集成学习研究[D];武汉大学;2012年

7 王清;集成学习中若干关键问题的研究[D];复旦大学;2011年

8 方育柯;集成学习理论研究及其在个性化推荐中的应用[D];电子科技大学;2011年

9 侯勇;特征提取与集成学习算法的研究及应用[D];北京科技大学;2015年

10 李烨;基于支持向量机的集成学习研究[D];上海交通大学;2007年

中国硕士学位论文全文数据库 前10条

1 高伟;基于半监督集成学习的情感分类方法研究[D];苏州大学;2015年

2 宋文展;基于抽样的集成进化算法研究[D];广西大学;2015年

3 汤莹;迁移与集成学习在文本分类中的应用研究[D];江苏科技大学;2015年

4 刘政;基于知识元和集成学习的中文微博情感分析[D];大连理工大学;2015年

5 丘桥云;结合文本倾向性分析的股评可信度计算研究[D];哈尔滨工业大学;2014年

6 秦海;融合非标记样本选择的集成学习研究[D];湘潭大学;2015年

7 李想;基于多示例的集成学习理论与应用研究[D];合肥工业大学;2014年

8 李震宇;基于集成学习的数字图像隐写定量分析[D];解放军信息工程大学;2014年

9 王希玲;基于选择性集成学习的网络入侵检测方法研究[D];青岛科技大学;2016年

10 陈范曙;基于信息整合的药物相关信息挖掘方法研究[D];华东师范大学;2016年

，

本文编号：760965