基于多核学习的高光谱遥感影像分类方法研究

发布时间：2017-12-08 15:02

  本文关键词：基于多核学习的高光谱遥感影像分类方法研究

  更多相关文章： 多核学习 特征选择 高光谱遥感 核函数 集成学习

【摘要】：高光谱影像分类目前已是遥感领域的研究前沿,目的是从遥感数据中获取地物信息,分类方法的优劣直接影响着分类的精度。特征选择是从原始特征中选出一些最能代表特征的样本,是提高学习算法性能的重要手段。过去几年的研究表明,基于经验风险最小化原则的传统分类方法,已显示了明显的不足。机器学习是人工智能的一个重要领域,由采用支持向量机是基于结构风险最小化原则的统计学习理论发展出的一种在样本有限情况下的通用学习方法。本文通过对高光谱影像特性的深入分析,通过引入信息论、计算智能、集成学习等领域的新理论和新方法,研究高效的特征提取与分类技术,探讨影响分类准确率的因素,并在多个高光谱影像数据集上验证了本文提出的多种方法。论文主要内容包括:(1)采用标准差,Kullback-Leibler距离和相关系数,提出一种新的特征选择方法,将信息最丰富和相关性最小的波段作为分类特征。在多核集成框架下对所选择的特征集进行实验,实验结果验证了方法的有效性。(2)基于信息测度,提出利用Kullback-Leibler距离构造支持向量机核函数,并依此构建了多核集成框架。通过在公开基准数据集和高光谱影像数据集进行实验,与目前各种流行的算法的比较,验证了所提方法的性能。实验评估了所提方法中的各种参数,为寻找精度和效率间的权衡点提供了依据。(3)基于互信息和Jeffries-Matusita距离测度提出一种两阶段特征选择方法。在第一阶段,选择具有最小冗余度最大相关准则的特征。在第二阶段,在第一阶段获得的特征子集中,用最大化Jeffries-Matusita距离以增加光谱可分性的方法,进一步选择特征子集。在基准高光谱数据集上的实验证明了所提方法能选择更好的特征子集,是一种更有效、更高效的方法。(4)通过带变异机制的粒子群优化算法优化支持向量机分类器的参数,并采用AdaBoost和随机方法解决多类分类问题,提出一个改进的集成学习框架。在此框架下的实验证明了方法的高效性。
【学位授予单位】：中国地质大学(北京)
【学位级别】：博士
【学位授予年份】：2016
【分类号】：P237

【相似文献】

中国期刊全文数据库 前10条

1 贾坤;李强子;田亦陈;吴炳方;;遥感影像分类方法研究进展[J];光谱学与光谱分析;2011年10期

2 朱丹瑶;;遥感影像分类方法研究[J];黑龙江科技信息;2012年33期

3 刘萌伟;曾广鸿;袁国辉;裴亚波;杨子力;;基于基因表达式编程的遥感影像分类方法研究[J];安阳工学院学报;2013年04期

4 孙立新,罗高平,张怡梅;遥感影像分类的归类学习方法[J];测绘工程;1998年03期

5 李爽,丁圣彦,许叔明;遥感影像分类方法比较研究[J];河南大学学报(自然科学版);2002年02期

6 黄艳;张超;苏伟;岳安志;;合理尺度纹理分析遥感影像分类方法研究[J];国土资源遥感;2008年04期

7 余洁;郭培煌;陈品祥;张中山;软文斌;;基于改进的模糊c-均值聚类方法遥感影像分类研究(英文)[J];Geo-Spatial Information Science;2008年02期

8 温兆飞;张树清;陈春;刘春悦;李晓峰;李华朋;;三江源区湖泊和沼泽遥感影像分类研究[J];湿地科学;2010年02期

9 付博;谢振红;邓彩群;;改进的角度余弦方法在湿地遥感影像分类中的应用[J];吉林建筑工程学院学报;2010年04期

10 胡杏花;朱谷昌;徐文海;刘欢;李智峰;郑纬;;基于分形纹理的遥感影像分类研究[J];矿床地质;2010年S1期

中国重要会议论文全文数据库 前10条

1 刘忠阳;陈怀亮;杜子璇;邹春辉;;基于决策树方法的Landsat7 ETM+遥感影像分类研究[A];农业生态与卫星遥感应用技术学术交流会论文摘要集[C];2006年

2 王珊珊;季民;高洁;焦其松;;CBR方法在高分辨率遥感影像分类中的应用[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年

3 汤家法;;基于可拓分类器的遥感影像分类[A];第十七届中国遥感大会摘要集[C];2010年

4 巫兆聪;;RBF网络的粗糙表示与遥感影像分类应用[A];第十三届全国遥感技术学术交流会论文摘要集[C];2001年

5 杨剑;蒲英霞;何一鸣;;基于Getis的遥感影像分类研究[A];中国地理学会百年庆典学术论文摘要集[C];2009年

6 赵泉华;宋伟东;鲍勇;;基于分形纹理的BP神经网络遥感影像分类[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年

7 王梁;韩坤英;;分形理论在遥感影像分类中的应用[A];第十二届全国数学地质与地学信息学术研讨会论文集[C];2013年

8 汪东川;龚建华;张利辉;;基于时间序列轨迹分析的遥感影像分类结果联合校正[A];第十七届中国遥感大会摘要集[C];2010年

9 罗小波;刘明皓;;基于优化的BP神经网络遥感影像分类[A];2006年中国土地学会学术年会论文集[C];2006年

10 ;结合光谱、纹理与形状特征的高空间分辨率遥感影像分类(英文)[A];中国测绘学会第九次全国会员代表大会暨学会成立50周年纪念大会论文集[C];2009年

中国博士学位论文全文数据库 前10条

1 王巍;基于Agent的遥感影像分类方法及其应用研究[D];中国地质大学(北京);2016年

2 亓呈明;基于多核学习的高光谱遥感影像分类方法研究[D];中国地质大学(北京);2016年

3 任广波;基于半监督学习的遥感影像分类技术研究[D];中国海洋大学;2010年

4 谭琨;基于支持向量机的高光谱遥感影像分类研究[D];中国矿业大学;2010年

5 巫兆聪;粗集理论在遥感影像分类中的应用[D];武汉大学;2004年

6 易俐娜;面向对象遥感影像分类不确定性分析[D];武汉大学;2011年

7 胥海威;基于改进随机聚类决策森林算法的遥感影像分类研究[D];中南大学;2012年

8 徐盛;基于主题模型的高空间分辨率遥感影像分类研究[D];上海交通大学;2012年

9 刘志刚;支撑向量机在光谱遥感影像分类中的若干问题研究[D];武汉大学;2004年

10 丁胜;智能优化算法在高光谱遥感影像分类中的应用研究[D];武汉大学;2010年

中国硕士学位论文全文数据库 前10条

1 吴聪;面向对象的高分辨率遥感影像分类在卫片执法中的应用研究[D];昆明理工大学;2015年

2 周杨;面向对象的高分辨率遥感影像分类技术研究[D];中国地质大学(北京);2015年

3 张静;西北旱区遥感影像分类方法研究[D];西北农林科技大学;2016年

4 王慧;融合各最优尺度下特征的高分辨率遥感影像分类[D];南京信息工程大学;2016年

5 姚啸;面向对象的高分遥感影像分类在森林蓄积量估测中的应用研究[D];西安科技大学;2015年

6 麦超;基于稀疏约束受限玻尔兹曼机的高分辨率遥感影像分类[D];长安大学;2016年

7 崔姗姗;基于Hadoop平台下森林景观遥感影像分类技术研究[D];东北林业大学;2016年

8 陈珂;遥感影像分类结果的空间抽样精度检验方法研究[D];上海海洋大学;2016年

9 纪静;古村落高分辨率遥感影像分类识别算法研究[D];湖南大学;2015年

10 杨艳青;不同地貌单元下遥感影像分类方法的比较研究[D];山西师范大学;2016年

，

本文编号：1266788