發(fā)布時(shí)間：2019-08-15 18:45

【摘要】：集成方法具有泛化性能強(qiáng)穩(wěn)定性高的特點(diǎn),在復(fù)雜數(shù)據(jù)的分類中得到了有效利用。本文主要對(duì)集成方法進(jìn)行研究,在此基礎(chǔ)上將集成方法應(yīng)用到遙感分類領(lǐng)域中。針對(duì)原始旋轉(zhuǎn)森林集成方法對(duì)復(fù)雜數(shù)據(jù)進(jìn)行分類時(shí)產(chǎn)生的過擬合問題,提出一種改進(jìn)的旋轉(zhuǎn)森林集成分類方法。首先利用旋轉(zhuǎn)森林集成方法對(duì)原始訓(xùn)練集進(jìn)行特征分割與特征提取,由此增強(qiáng)各基分類器之間的差異性,在此基礎(chǔ)上,將學(xué)習(xí)速度快的極限學(xué)習(xí)機(jī)作為基分類器對(duì)數(shù)據(jù)進(jìn)行分類處理,提高模型分類的速度。進(jìn)而將集成方法引入到遙感分類中,針對(duì)遙感數(shù)據(jù)非負(fù)的特點(diǎn),提出一種基于神經(jīng)網(wǎng)絡(luò)集成的遙感分類方法。使用可以保留遙感影像物理信息的非負(fù)矩陣分解方法來對(duì)影像進(jìn)行特征提取,然后采用極限學(xué)習(xí)機(jī)集成方法在影像上進(jìn)行訓(xùn)練,在集成基分類器訓(xùn)練完成后,采用Q統(tǒng)計(jì)來衡量各基分類器間的差異性,選擇差異性大的分類器來進(jìn)行集成,從而提高分類精度。此外,針對(duì)傳統(tǒng)分類方法只使用遙感影像的光譜特征,導(dǎo)致分類中會(huì)遇到“同譜異物”和“同物異譜”現(xiàn)象,提出一種多特征融合的遙感影像分類方法。首先利用Gabor變換提取出遙感影像的紋理特征,再將其與光譜特征進(jìn)行融合,然后為解決遙感影像分類中有標(biāo)簽訓(xùn)練樣本少的特點(diǎn),采用集成方法對(duì)影像進(jìn)行最終的分類處理。在UCI數(shù)據(jù)和實(shí)際的遙感影像分類實(shí)驗(yàn)中,所提集成方法可獲得較高的分類精度,并且泛化能力較強(qiáng),說明所提方法的有效性。
【圖文】：

中選擇3000個(gè)樣本點(diǎn)做標(biāo)記，以此為訓(xùn)練集對(duì)整幅影像進(jìn)行分類處理，各方法獲取的分類圖如圖2.2所示。對(duì)比各方法得到的分類圖，從圖中可以看出，Adaboost【55]方法與Rotboost[56]S法出現(xiàn)了嚴(yán)重的分類不清的現(xiàn)象，對(duì)綠化帶以及裸露土地不能識(shí)別。而對(duì)比所提方法與RF[28]S法得到的分類圖可以看出，RF-ELM方法分類圖沒有出現(xiàn)過多的噪聲點(diǎn)，，這也說明所提方法RF-ELM改善了 115[28]方法中的過分類現(xiàn)象，得到的分類圖整體效果更好。HWW_ ；、(a)某地開發(fā)區(qū)遙感影像 （b) Bagging[M]分類圖 （c) Adaboost[55]分類圖…mm..：—. J(d) 11?[28]分類圖 （e) Rotboost[56]分類圖 （f) RF-ELM 分類圖I :1�！婚_發(fā)用地U居民區(qū)I__j綠化帶！__]裸露土地圖2.2不同分類器的分類結(jié)果Fig

為更直觀的展現(xiàn)各方法在遙感影像的分類效果，將選取的10000個(gè)數(shù)據(jù)樣本點(diǎn)作為訓(xùn)練集，對(duì)整個(gè)遙感影像進(jìn)行分類，得到的分類圖如圖3.2所示。_ _ _(a)扎龍遙感影像 （b) Adaboost[55]分類圖 （c) ELlVI[52j分類圖：呡(d)Bagging[54]分類圖 （e)RFl28]分類圖 （f) NMF-ELM 分類圖=]農(nóng)用地受火區(qū)「"1水體沼澤I 鹽堿地圖3.2不同方法在扎龍遙感影像上的分類結(jié)果Fig. 3.2 Overall accuracy of Zhalong remote sensing with different methods-26 -
【學(xué)位授予單位】：大連理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TP751

【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 梁亮;楊敏華;李英芳;;基于ICA與SVM算法的高光譜遙感影像分類[J];光譜學(xué)與光譜分析;2010年10期

2 韓敏;劉賁;;一種改進(jìn)的旋轉(zhuǎn)森林分類算法[J];電子與信息學(xué)報(bào);2013年12期

3 ;Artificial neural network model for identifying taxi gross emitter from remote sensing data of vehicle emission[J];Journal of Environmental Sciences;2007年04期

4 刁智華;趙春江;郭新宇;陸聲鏈;;一種新的基于平衡決策樹的SVM多類分類算法[J];控制與決策;2011年01期

5 桑農(nóng);張榮;張?zhí)煨?;一類改進(jìn)的最小距離分類器的增量學(xué)習(xí)算法[J];模式識(shí)別與人工智能;2007年03期

6 鄭建煒;王萬良;姚曉敏;石海燕;;張量局部Fisher判別分析的人臉識(shí)別[J];自動(dòng)化學(xué)報(bào);2012年09期

7 陳鈺楓;宗成慶;蘇克毅;;漢英雙語命名實(shí)體識(shí)別與對(duì)齊的交互式方法[J];計(jì)算機(jī)學(xué)報(bào);2011年09期

8 張秀英;馮學(xué)智;江洪;;面向?qū)ο蠓诸惖奶卣骺臻g優(yōu)化[J];遙感學(xué)報(bào);2009年04期

9 吳軍;王士同;趙鑫;;正負(fù)模糊規(guī)則系統(tǒng)、極限學(xué)習(xí)機(jī)與圖像分類[J];中國圖象圖形學(xué)報(bào);2011年08期

本文編號(hào)：2527159