基于相关向量机的高光谱遥感图像分类研究

发布时间：2017-04-08 13:26

  本文关键词：基于相关向量机的高光谱遥感图像分类研究，，由笔耕文化传播整理发布。

【摘要】：高光谱遥感图像凭借其较高的光谱分辨率,超高的光谱信息量以及相邻波段较高的相关性,具有较强的实用性,已成为遥感图像领域的一个研究热点,受到各国专家学者的青睐。相关向量机理论是2001年M.E.Tipping提出的一种新型的基于贝叶斯统计学习框架的有监督机器学习算法,该算法的提出弥补了传统SVM算法的不足。相关向量机通过回归估计获取预测值的概率分布,从而得到一个基于核函数的稀疏解,能够处理回归和分类问题。通过对高光谱遥感图像的分类研究我们发现,相关向量机对于高维大样本的高光谱图像分类精度并不是很高,基于此问题,本文提出了一种改进的相关向量机算法。本文通过对传统相关向量机与支持向量机分类算法的研究,发现对高维大样本数据,相关向量机不论是在Kappa系数还是总体分类精度上都不及传统的支持向量机。因此,本文将研究重点放在了对原始数据的预处理阶段上。首先,我们采用主成分分析法对原始数据进行降维处理,实验结果表明,与传统相关向量机相比,经过主成分分析法处理后再使用相关向量机分类,分类精度并不能得到有效提升。其次,论文利用线性判别分析法对原始数据进行降维处理,实验结果表明,与传统相关向量机相比,其分类精度仍然不能得到有效的提升。最后,本文提出了一种改进型的相关向量机算法。该算法将主成分分析法与线性判别分析法相结合,对高光谱数据进行二次降维,然后采用相关向量机进行遥感图像分类。实验结果显示,与传统相关向量机相比,本文算法在分类精度上有了明显的提升,数据的类间及类内距离比总体增大,从而达到我们降低维度提升分类精度的目的。本文通过对相关向量机算法的研究,针对该算法对高维大样本数据分类精度不高的问题提出了一种改进型算法,不仅降低了样本数据维数、保留了主要的信息量也提升了相关向量机的分类精度。最后,文章分析了本文算法在高光谱遥感图像分类上的优势与不足之处,为今后我们进一步的研究打下了坚实的基础。
【关键词】：相关向量机 高光谱遥感图象分类 降维 主成分分析法 线性判别分析法
【学位授予单位】：北方民族大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP751
【目录】：

• 摘要3-4
• Abstract4-8
• 第一章 绪论8-16
• 1.1 研究背景与意义8-11
• 1.2 国内外研究进展11-13
• 1.3 存在的问题13
• 1.4 论文主要研究内容与章节安排13-16
• 第二章 高光谱遥感图像分类及相关向量机理论16-29
• 2.1 高光谱遥感图像分类16-17
• 2.2 支持向量机理论17-22
• 2.3 相关向量机理论22-26
• 2.4 分类精度评价26-28
• 2.5 本章小结28-29
• 第三章 主成分分析法与线性判别分析法29-39
• 3.1 高光谱遥感图像中的数据降维29-33
• 3.2 主成分分析法33-36
• 3.3 线性判别分析法36-38
• 3.4 本章小结38-39
• 第四章 相关向量机遥感图像分类算法的分析与研究39-50
• 4.1 问题的提出39
• 4.2 实验数据39-41
• 4.3 基于相关向量机的高光谱遥感图像分类41-43
• 4.4 基于PCA的相关向量机高光谱遥感图像分类43-46
• 4.5 基于LDA的相关向量机高光谱遥感图像分类46-49
• 4.6 本章小结49-50
• 第五章 基于改进型相关向量机的高光谱遥感图像分类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 本文算法仿真实验52-53
• 5.4 实验结果及分析53-56
• 5.5 本章小结56-57
• 第六章 总结与展望57-59
• 6.1 工作总结57-58
• 6.2 研究展望58-59
• 参考文献59-64
• 致谢64-65
• 在学期间公开发表论文及科研情况65

  本文关键词：基于相关向量机的高光谱遥感图像分类研究，由笔耕文化传播整理发布。

本文编号：292981