【摘要】：遙感圖像的分類識別是遙感技術(shù)應(yīng)用領(lǐng)域中的關(guān)鍵技術(shù)之一,高精度的遙感圖像分類算法是解決實際問題應(yīng)用的前提。國內(nèi)外研究者將眾多的機器學(xué)習(xí)算法應(yīng)用于遙感圖像的分類研究,以期能夠提高遙感圖像的分類精度,挖掘更多有效的信息。支持向量機(SVM)算法是近年來較為流行的一種分類算法,該算法是在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上被提出的,相比于其他機器學(xué)習(xí)算法具有獨特的優(yōu)勢,尤其是在處理小樣本、非線性等問題時其分類效果十分顯著,目前該算法被廣泛的應(yīng)用于各個領(lǐng)域。本文以SVM分類算法為基礎(chǔ),結(jié)合當(dāng)下應(yīng)用較為廣泛的智能優(yōu)化算法,對SVM的參數(shù)進行優(yōu)化選取,找到更佳的參數(shù),提高遙感圖像的分類精度。文章在深入研究了粒子群算法(PSO)和遺傳算法(GA)理論的基礎(chǔ)上,分別分析了它們的優(yōu)點和缺點,發(fā)現(xiàn)粒子群算法優(yōu)化SVM分類器參數(shù)時,存在著容易早熟收斂,分類精度相對較低、容易陷入局部最優(yōu)解的問題,本文提出了一種以自適應(yīng)權(quán)重粒子群算法為基礎(chǔ),引入遺傳算法交叉變異算子的混合優(yōu)化算法(GA-PSO),利用這種改進的算法優(yōu)化SVM分類器參數(shù)對遙感圖像進行分類。本文分別以高分辨率的遙感圖像Quick Bird和中等分辨率的遙感圖像Landsat8為例,對圖像進行預(yù)處理以及特征提取等操作,然后通過目視解譯與實地調(diào)查確認地物類別并選取分類樣本,最后分別使用PSO-SVM算法和本文構(gòu)建的新算法(GA-PSO-SVM)進行土地利用分類實驗,同時對兩種算法的分類精度進行比較分析;結(jié)果表明,Quick Bird遙感圖像的平均分類精度提高了5.07%,Landsat8遙感圖像的平均分類精度提高了6.32%;實驗證明,構(gòu)建的新算法提高了粒子群算法的搜索性能,可以尋找最佳SVM分類器的參數(shù),并且對高分辨率遙感圖像和中等分辨率遙感圖像均有較好的適應(yīng)性,能夠獲得較高的分類精度,是一種有效的方法。
【學(xué)位授予單位】：湖南農(nóng)業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP751;TP181

【參考文獻】

相關(guān)期刊論文 前8條

1 劉希亮;趙學(xué)勝;陸鋒;孫文彬;;基于GA-SVM的露天礦拋擲爆破拋擲率預(yù)測[J];煤炭學(xué)報;2012年12期

2 汪海燕;黎建輝;楊風(fēng)雷;;支持向量機理論及算法研究綜述[J];計算機應(yīng)用研究;2014年05期

3 林怡;劉冰;陳映鷹;潘琛;;多特征差分核支持向量機遙感影像變化檢測方法[J];武漢大學(xué)學(xué)報(信息科學(xué)版);2013年08期

4 張俊紅;劉昱;馬文朋;馬梁;李林潔;;基于GAPSO-SVM的航空發(fā)動機典型故障診斷[J];天津大學(xué)學(xué)報;2012年12期

5 馬永杰;云文霞;;遺傳算法研究進展[J];計算機應(yīng)用研究;2012年04期

6 余梓唐;;基于粒子群算法優(yōu)化支持向量機汽車故障診斷研究[J];計算機應(yīng)用研究;2012年02期

7 臧卓;林輝;楊敏華;;基于PSO-SVM的高光譜數(shù)據(jù)降維的可靠性研究[J];中國農(nóng)學(xué)通報;2011年31期

8 李剛;萬幼川;;商空間理論下面向?qū)ο蟮倪b感影像分類[J];光電工程;2011年02期

，

本文編號：2706277