本文選題：極限學習機 + 魚群算法��； 參考：《農業(yè)機械學報》2017年10期

【摘要】：在傳統(tǒng)極限學習機(ELM)研究的基礎上,考慮到傳統(tǒng)ELM參數(shù)的不確定會導致整體分類精度下降,利用仿生魚群算法(AF)對ELM的小波核參數(shù)和正則化參數(shù)進行尋優(yōu),并構造參數(shù)優(yōu)化后的小波ELM影像分類模型(AF-ELM)。通過實驗比較了該算法與人工神經網路(ANN)、支持向量機(SVM)、極限學習機(ELM)等標準分類器在遙感影像分類上的精度與速度差異,并且與ELM多項式核、RBF核分類算法進行比較分析,驗證了AF-ELM在分類速度和精度上的優(yōu)越性。實驗結果表明,AF-ELM分類方法分類速度較快,精度較高,均優(yōu)于其他分類方法。能較好地應用于遙感影像上各類地物要素的自動提取。
[Abstract]:Based on the study of traditional extreme learning machine (ELM), considering that the uncertainty of traditional ELM parameters will lead to the decrease of overall classification accuracy, the wavelet kernel parameters and regularization parameters of ELM are optimized by bionic fish swarm algorithm. The classification model of wavelet ELM image after parameter optimization is constructed. The accuracy and speed of the proposed algorithm in remote sensing image classification are compared with those of the standard classifiers such as artificial neural network (Ann), support vector machine (SVM) and extreme learning machine (ELM), and are compared with the ELM polynomial kernel classification algorithm. The superiority of AF-ELM in classification speed and accuracy is verified. The experimental results show that the AF-ELM classification method is faster and more accurate than other classification methods. It can be applied to the automatic extraction of all kinds of features on remote sensing images.
【作者單位】： 同濟大學測繪與地理信息學院;斯圖加特大學航空航天與大地測量學院;
【基金】：國土資源部公益性行業(yè)科研專項(201211011) 上海市科學技術委員會科研計劃項目(13231203602)
【分類號】：TP18;TP751

【相似文獻】

相關期刊論文 前10條

1 盧茂芬;馮伍法;胥亞;劉衷瑞;韓曉丁;;基于紋理的影像分類的特征、波段與窗口選擇問題研究[J];影像技術;2011年03期

2 李良軍;武彥斌;;開采沉陷遙感監(jiān)測中多維紋理特征影像分類方法[J];煤田地質與勘探;2008年06期

3 劉瑞;陳小濤;;城郊地區(qū)面向對象的多傳感器影像分類[J];測繪與空間地理信息;2013年02期

4 趙銀娣;張良培;李平湘;;廣義馬爾可夫隨機場及其在多光譜紋理影像分類中的應用[J];遙感學報;2006年01期

5 秦永;宋偉東;;遙感影像特征提取與選擇及在影像分類中的應用[J];測繪科學;2008年01期

6 李明詩,彭世揆,李海濤,王洪良;從遙感TM影像分類圖提取小班界限的算法實現(xiàn)[J];南京林業(yè)大學學報(自然科學版);2001年05期

7 鐘燕飛;張良培;龔健雅;李平湘;;基于資源限制性人工免疫系統(tǒng)的多光譜遙感影像分類方法[J];武漢大學學報(信息科學版);2006年01期

8 李淼;張繼賢;張永紅;;支持向量機在MODIS影像分類中的方法研究[J];測繪與空間地理信息;2007年03期

9 關澤群,劉繼琳,崔衛(wèi)紅;利用地物的幾何屬性改進影像分類效果[J];國土資源遙感;2001年01期

10 杜燁;郭長青;文寧;葛春青;黃峰;;基于多時相COSMO-SkyMed SAR數(shù)據(jù)對水稻信息提取方法的研究與應用[J];遙感信息;2014年03期

相關會議論文 前10條

1 熊劍;;地形起伏地區(qū)的遙感影像預處理研究[A];第十五屆全國遙感技術學術交流會論文摘要集[C];2005年

2 肖倩;李光耀;;航空遙感影像道路提取方法綜述[A];全國第十屆信號與信息處理、第四屆DSP應用技術聯(lián)合學術會議論文集[C];2006年

3 馬海濤;;探討遙感影像的校正與誤差來源——以雞西市為例[A];2006年中國土地學會學術年會論文集[C];2006年

4 楊博雄;;基于北斗二代與遙感影像的定位與導航技術研究[A];2009年全國測繪儀器綜合學術年會論文集[C];2009年

5 譚明;李成鋼;石曉春;邱宏華;;基于特征的高分辨遙感影像道路提取[A];全國測繪科技信息網中南分網第二十四次學術信息交流會論文集[C];2010年

6 譚明;李成鋼;石曉春;邱宏華;;基于特征的高分辨遙感影像道路提取[A];廣東省測繪學會第九次會員代表大會暨學術交流會論文集[C];2010年

7 杜永明;秦其明;;不同分辨率對遙感影像中識別人造地物的影響[A];第十三屆全國遙感技術學術交流會論文摘要集[C];2001年

8 趙紅穎;晏磊;;無人機遙感影像的特點與影像處理的關鍵技術[A];第十五屆全國遙感技術學術交流會論文摘要集[C];2005年

9 馮德俊;楊駿;;基于遙感影像的城市車流信息提取研究[A];第十七屆中國遙感大會摘要集[C];2010年

10 杜培軍;方濤;林卉;;遙感影像庫中數(shù)據(jù)挖掘與知識發(fā)現(xiàn)的研究[A];第十四屆全國遙感技術學術交流會論文摘要集[C];2003年

相關重要報紙文章 前1條

1 張鵬英;國產遙感影像迎來共享時代[N];科技日報;2013年

相關博士學位論文 前5條

1 劉亞嵐;遙感影像群判讀技術的試驗研究[D];中國科學院研究生院（遙感應用研究所）;2004年

2 程起敏;基于內容的遙感影像庫檢索關鍵技術研究[D];中國科學院研究生院（遙感應用研究所）;2004年

3 任娜;遙感影像數(shù)字水印算法研究[D];南京師范大學;2011年

4 鄧冰;遙感影像信息度量方法研究[D];武漢大學;2009年

5 柳稼航;基于視覺特征的高分辨率光學遙感影像目標識別與提取技術研究[D];上海交通大學;2011年

相關碩士學位論文 前10條

1 周國瓊;面向對象的TM影像分類[D];昆明理工大學;2012年

2 王金杰;基于語義的遙感影像數(shù)據(jù)檢索關鍵技術研究[D];國防科學技術大學;2013年

3 侯愛霞;基于五層十五級數(shù)據(jù)組織結構的遙感影像幾何處理系統(tǒng)研究[D];河南大學;2015年

4 呂璐凌;一種基于地面控制點的遙感影像幾何校正方法研究[D];浙江大學;2016年

5 張文君;基于遙感影像特征的云霧去除模型對比研究[D];云南大學;2016年

6 彭磊;遙感影像大數(shù)據(jù)管理系統(tǒng)關鍵技術研究與系統(tǒng)實現(xiàn)[D];電子科技大學;2016年

7 曹兆偉;基于人工神經網絡的海島遙感影像地物分類研究[D];上海海洋大學;2016年

8 包陽捷;面向遙感影像分析的超像素分割方法[D];浙江大學;2016年

9 運曉東;海量遙感影像快速瀏覽技術研究與實現(xiàn)[D];中國科學院大學(工程管理與信息技術學院);2016年

10 王鵬;遙感影像的ISODATA分類算法的并行化研究[D];河南大學;2016年

，

本文編號：1803050