收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于支持向量机的高光谱图像降维与分类研究

甘乐  
【摘要】:由于高维特征空间通常会导致不适定问题,针对高光谱影像的统计模式识别是非常艰巨的任务。随着波段数目的增加,高光谱影像分析则面临Hughes现象等障碍,因此促进了子空间学习方法的发展,它能够有效处理有限训练样本下的高维数据集情形。子空间学习的目标是在保持原始数据主要本征信息的同时获取高维数据样本的低维表示。类似于大量经典分类器,作为一种判别性分类器,支持向量机(Support vector machines, S VMs)也是基于判别函数和后验类分布构建的。由于支持向量机分类器具备处理高维空间并产生稀疏解的性能,已经在高光谱影像分类领域展示出非常优异的性能。本文详细介绍一系列子空间学习方法,并结合支持向量机分类器,然后利用两种不同的高光谱数据集对不同降维算法的分类表现进行系统评估,随后本文提出融合高光谱影像多种特征的多核学习框架,并将其同其它经典高光谱分类器进行定量比较。本文的主要研究内容如下:(1)系统阐述了主要的子空间学习算法基本原理,详细介绍了经典的线性降维方法PCA、LDA和典型的ISOMAP、LLE、LE、LPP、LFDA等经典非线性流行算法的基本流程以及半监督子空间学习策略。随后,对高光谱影像数据的本征维度问题进行系统探讨,并引入虚拟维度的概念。(2)对高光谱影像分类的支持向量机理论进行系统的研究。首先概略介绍了支持向量机分类器的理论基础统计学习理论。随后,提出了支持向量机分类器的线性、核方法以及半监督等多种不同的模型形式。最后,详细论述高光谱影像分类的不同评价指标,并结合多种不同的子空间学习方法基于支持向量机进行分类结果评价,比较各种不同降维算法在相同条件下的分类表现。(3)提出一种融合多种特征的局部保持的多核学习框架。本文在现有的研究基础上,结合原始光谱特征、局部保持特征和空间属性特征,并将这些特征融合到统一的多核学习框架,并探究可能的最优核组合模型。随后,将本文提出的框架同当前经典的分类算法作比较分析,结果显示本文提出的框架在分类结果上具有明显的优势。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 吴娟;范玉妹;王丽;;关于改进的支持向量机的研究[J];攀枝花学院学报;2006年05期
2 刘硕明;刘佳;杨海滨;;一种新的多类支持向量机算法[J];计算机应用;2008年S2期
3 尹传环;牟少敏;田盛丰;黄厚宽;;单类支持向量机的研究进展[J];计算机工程与应用;2012年12期
4 王云英;阎满富;;C-支持向量机及其改进[J];唐山师范学院学报;2012年05期
5 李逢焕;;试述不确定支持向量机应用分析及改进思路[J];中国证券期货;2012年12期
6 邵惠鹤;支持向量机理论及其应用[J];自动化博览;2003年S1期
7 曾嵘,蒋新华,刘建成;基于支持向量机的异常值检测的两种方法[J];信息技术;2004年05期
8 张凡,贺苏宁;模糊判决支持向量机在自动语种辨识中的研究[J];计算机工程与应用;2004年21期
9 魏玲,张文修;基于支持向量机集成的分类[J];计算机工程;2004年13期
10 沈翠华,邓乃扬,肖瑞彦;基于支持向量机的个人信用评估[J];计算机工程与应用;2004年23期
11 林继鹏,刘君华,凌振宝;并行支持向量机算法及其应用[J];吉林大学学报(信息科学版);2004年05期
12 宋晓峰;陈德钊;胡上序;;支持向量机泛化能力估计若干方法[J];计算机科学;2004年08期
13 蔡佳;陈洪;;ν-支持向量机的收敛性[J];湖北大学学报(自然科学版);2005年04期
14 文益民,廖洪元,周立华;一种可减少训练时间的分层并行支持向量机方法[J];南京师范大学学报(工程技术版);2005年01期
15 奉国和;李拥军;朱思铭;;边界邻近支持向量机[J];计算机应用研究;2006年04期
16 张搏;刘金福;张昆帆;;基于支持向量机的关键词拒识算法[J];现代电子技术;2006年12期
17 葛海峰;林继鹏;刘君华;丁晖;;基于支持向量机和小波分解的气体识别研究[J];仪器仪表学报;2006年06期
18 刘斌;岳会宇;李卓;刘铁男;;支持向量机在油层含油识别中的应用[J];控制工程;2006年04期
19 琚旭;王浩;姚宏亮;;支持向量机的一个边界样本修剪方法[J];合肥工业大学学报(自然科学版);2006年07期
20 吴静;周建国;晏蒲柳;陈立家;;近轴支持向量机及其在网络知识更新中的应用[J];计算机工程与应用;2006年23期
中国重要会议论文全文数据库 前10条
1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届(2011)中国管理学年会——商务智能分会场论文集[C];2011年
2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集(一)[C];2005年
3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用(CACIS)学术会议论文集(下册)[C];2008年
4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年
5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年
6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年
7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年
8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年
9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年
10 侯澍旻;李友荣;刘光临;;基于支持向量机的设备振动信号趋势预测[A];12省区市机械工程学会2006年学术年会湖北省论文集[C];2006年
中国博士学位论文全文数据库 前10条
1 张晓雷;支持向量机若干问题的研究[D];清华大学;2012年
2 王瑜;基于支持向量机和多信息融合的局部放电故障诊断研究[D];华北电力大学;2015年
3 郭虎升;支持向量机的优化建模方法研究[D];山西大学;2014年
4 姚毓凯;支持向量机关键技术及其在人体活动识别中的应用研究[D];兰州大学;2015年
5 周叶;基于新异类检测和支持向量机的水电机组诊断技术研究[D];中国水利水电科学研究院;2015年
6 周喜川;非可信环境下的支持向量机研究[D];浙江大学;2010年
7 常甜甜;支持向量机学习算法若干问题的研究[D];西安电子科技大学;2010年
8 王超;三类不确定支持向量机及其应用[D];河北大学;2013年
9 张国云;支持向量机算法及其应用研究[D];湖南大学;2006年
10 李华庆;支持向量机及其在人脸识别中的应用研究[D];上海交通大学;2006年
中国硕士学位论文全文数据库 前10条
1 佟乐;添加Universum数据双支持向量机[D];河北大学;2015年
2 胡金扣;鲁棒支持向量机研究[D];河北大学;2015年
3 邱志勇;一类支持张量机及其算法研究[D];华南理工大学;2015年
4 董慧康;基于人群搜索—支持向量机的心脏病多生理参数诊断方法研究[D];河北工业大学;2014年
5 李萌;基于支持向量机的高分遥感影像分类技术研究与应用[D];中国地质大学(北京);2015年
6 甘乐;基于支持向量机的高光谱图像降维与分类研究[D];长江大学;2015年
7 苏超;基于支持向量机的太原市土壤重金属污染评价研究[D];山西大学;2014年
8 李胜刚;基于支持向量机的短期风电功率预测[D];湖南工业大学;2015年
9 孙亭亭;基于支持向量机的燃煤机组燃烧优化算法的研究[D];山东大学;2015年
10 王芳;基于支持向量机的沪深300指数回归预测[D];山东大学;2015年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978