超限学习机的算法研究及其在高光谱遥感图像中的应用

发布时间：2024-07-02 02:26

　　机器学习领域中存在许多有效的学习模型,它们可被用于解决各种真实世界的应用问题。常见的机器学习方法有支持向量机、人工神经网络、K近邻算法、朴素贝叶斯、决策树等。其中,人工神经网络以其独特多变的网络结构和强大的关系模拟能力成为机器学习领域中最流行的方法之一。作为人工神经网络的学习算法之一,超限学习机具有简单、快速、有效的特性,它专门用于解决单隐层前馈式神经网络的模型建立。由于其潜在的优点,超限学习机已经在许多应用领域中取得了显著的效果,但它的学习模型和算法性能也面临着两个严峻的挑战:(1)网络参数随机生成的问题。超限学习机的网络输入连接参数和隐含层阈值随机产生,其网络输出连接参数通过分析计算。随机生成的网络连接参数容易导致超限学习机模型在解决实际应用问题中性能不足的现象。(2)小样本数据问题。在某些实际应用中,数据样本的获取是十分困难的,这样容易导致样本不足。在处理这样的小样本数据问题时,超限学习机容易出现过拟合的现象。上述两个潜在的问题是从超限学习机的算法层面上考虑的。目前,超限学习机在高光谱遥感图像中的应用也受到了广泛的关注。在应用层面上,传统的超限学习机仅使用基本的光谱特征进行学习,...

【文章页数】：120 页

【学位级别】：博士

【文章目录】：
作者简历
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 超限学习机简述
        1.2.2 超限学习机的相关研究
        1.2.3 高光谱遥感图像的分类研究
        1.2.4 基于超限学习机的遥感图像分类研究
    1.3 论文的研究内容
    1.4 本文的组织结构
第二章 基于文化基因的超限学习机算法
    2.1 引言
    2.2 文化基因算法
    2.3 基于文化基因的超限学习机算法
        2.3.1 种群初始化
        2.3.2 算法模型训练
        2.3.3 算法模型测试
    2.4 算法分析
    2.5 实验及结果分析
        2.5.1 实验数据和参数
        2.5.2 对比方法
        2.5.3 评价标准和统计
        2.5.4 实验对比
        2.5.5 统计与分析
        2.5.6 鲁棒性分析
    2.6 本章小结
第三章 基于稀疏自编码机的超限学习机算法
    3.1 引言
    3.2 基于超限学习机的自编码机
    3.3 基于自编码机的超限学习机算法
        3.3.1 预训练参数学习
        3.3.2 算法模型训练
        3.3.3 算法模型测试
    3.4 算法分析
        3.4.1 可行性分析
        3.4.2 可扩展性分析
    3.5 实验及结果分析
        3.5.1 数据集描述
        3.5.2 对比方法
        3.5.3 评价标准
        3.5.4 实验设置
        3.5.5 性能对比
        3.5.6 运行时间分析
        3.5.7 参数学习
        3.5.8 鲁棒性学习
    3.6 本章小结
第四章 基于示例克隆的超限学习机算法
    4.1 引言
    4.2 示例克隆技术
    4.3 基于示例克隆的超限学习机算法
        4.3.1 示例克隆过程
        4.3.2 算法模型训练
        4.3.3 算法模型测试
    4.4 算法分析
    4.5 实验及结果分析
        4.5.1 数据集描述
        4.5.2 对比方法
        4.5.3 评价标准
        4.5.4 参数学习
        4.5.5 UCI标准数据学习任务
        4.5.6 真实应用数据学习任务
    4.6 本章小结
第五章 基于超像素的核超限学习机遥感图像分类算法
    5.1 引言
    5.2 相关工作
        5.2.1 超像素分割方法
        5.2.2 主成分分析法
    5.3 基于超像素的核超限学习机遥感图像分类算法
        5.3.1 基于超像素的空间特征
        5.3.2 基于核的超限学习机
    5.4 实验及结果分析
        5.4.1 数据集描述
        5.4.2 对比方法和实验设置
        5.4.3 实验对比
        5.4.4 超像素个数的研究
        5.4.5 空间特征维度的研究
    5.5 本章小结
第六章 总结与展望
    6.1 本文工作总结
    6.2 未来工作展望
致谢
参考文献



本文编号：3999548