發(fā)布時間：2017-08-30 18:40

  本文關(guān)鍵詞：基于集成學(xué)習的高光譜圖像分類

  更多相關(guān)文章： 高光譜圖像 集成學(xué)習 分類 支持向量數(shù)據(jù)描述 支持向量機

【摘要】：隨著成像光譜儀的快速發(fā)展,其產(chǎn)生的數(shù)據(jù)光譜分辨率變得更高,傳統(tǒng)的數(shù)據(jù)處理方法不能夠滿足需求。集成學(xué)習作為機器學(xué)習領(lǐng)域熱門研究內(nèi)容,被引入到高光譜數(shù)據(jù)處理中,使用多個學(xué)習器(學(xué)習算法)來處理同一個問題,起到了顯著作用。本文就是將集成學(xué)習引入到高光譜圖像分類中來,重點研究了支持向量數(shù)據(jù)描述集成的分類方法和支持向量機集成的分類方法。本文主要研究內(nèi)容如下:1、提出一種支持向量數(shù)據(jù)描述集成的分類方法。結(jié)合高光譜圖像的數(shù)據(jù)特點,使用主成分分析方法對數(shù)據(jù)做降維處理,然后選取訓(xùn)練樣本訓(xùn)練分類器支持向量數(shù)據(jù)描述,最后將分類器結(jié)果使用投票法的集成策略進行集成。從實驗結(jié)果來看,一定程度上的提高了高光譜圖像的分類精度。2、提出一種支持向量機集成的分類方法。數(shù)據(jù)降維之后,采用空-譜特征提取的方法提取數(shù)據(jù)特征,使用主動學(xué)習方法選取訓(xùn)練樣本,用支持向量機作為AdaBoost方法的基分類器,對高光譜圖像進行分類,得到的集成結(jié)果表明,該方法有效的提高了分類精度。
【關(guān)鍵詞】：高光譜圖像 集成學(xué)習 分類 支持向量數(shù)據(jù)描述 支持向量機
【學(xué)位授予單位】：黑龍江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP751
【目錄】：

• 中文摘要4-5
• Abstract5-9
• 第1章 緒論9-16
• 1.1 研究的目的和意義9-10
• 1.2 高光譜遙感圖像分類及集成學(xué)習的研究現(xiàn)狀10-14
• 1.2.1 高光譜遙感圖像分類的研究現(xiàn)狀11-12
• 1.2.2 集成學(xué)習研究現(xiàn)狀12-14
• 1.3 論文組織結(jié)構(gòu)14-16
• 第2章 集成學(xué)習分類理論基礎(chǔ)16-27
• 2.1 集成學(xué)習基礎(chǔ)16-18
• 2.1.1 集成學(xué)習的基本概念16-17
• 2.1.2 集成學(xué)習的優(yōu)勢17-18
• 2.2 集成學(xué)習的經(jīng)典算法18-22
• 2.2.1 Boosting算法18-20
• 2.2.2 Bagging算法20-22
• 2.2.3 Boosting算法和Bagging算法比較22
• 2.3 分類器集成22-26
• 2.3.1 構(gòu)成基分類器的條件22-23
• 2.3.2 基分類器的構(gòu)成23-24
• 2.3.3 基分類器的組合方法24-26
• 2.4 本章小結(jié)26-27
• 第3 章高光譜圖像的分類基礎(chǔ)27-34
• 3.1 高光譜遙感數(shù)據(jù)27-31
• 3.1.1 高光譜數(shù)據(jù)的描述形式27-30
• 3.1.2 高光譜數(shù)據(jù)的特性30-31
• 3.2 高光譜圖像分類過程31-33
• 3.2.1 圖像預(yù)處理和訓(xùn)練樣本的選擇31
• 3.2.2 高光譜數(shù)據(jù)降維31
• 3.2.3 高光譜圖像分類精度的評價31-33
• 3.3 本章小結(jié)33-34
• 第4章 基于支持向量數(shù)據(jù)描述集成的高光譜圖像分類34-47
• 4.1 一類分類綜述34-36
• 4.1.1 一類分類器的分類34-35
• 4.1.2 基于核的一類分類器的分類35-36
• 4.2 支持向量數(shù)據(jù)描述(SVDD)的原理36-39
• 4.3 主成分分析(PCA)方法對高光譜數(shù)據(jù)降維39-43
• 4.3.1 主成分分析(PCA)方法的原理39-40
• 4.3.2 主成分分析方法對高光譜數(shù)據(jù)降維結(jié)果分析40-43
• 4.4 支持向量數(shù)據(jù)描述(SVDD)集成的高光譜圖像分類43
• 4.5 實驗結(jié)果與分析43-46
• 4.5.1 實驗數(shù)據(jù)43-44
• 4.5.2 實驗結(jié)果及分析44-46
• 4.6 本章小結(jié)46-47
• 第5章 基于支持向量機集成的高光譜圖像分類47-60
• 5.1 支持向量機47-54
• 5.1.1 線性支持向量機47-52
• 5.1.2 非線性支持向量機52-53
• 5.1.3 常用的核函數(shù)53-54
• 5.1.4 支持向量機集成54
• 5.2 空-譜特征提取54-55
• 5.3 支持向量機集成的高光譜圖像分類55-56
• 5.3.1 主動學(xué)習方法構(gòu)造樣本集55-56
• 5.3.2 SVM-AdaBoost分類56
• 5.4 實驗結(jié)果與分析56-59
• 5.5 本章小結(jié)59-60
• 結(jié)論60-62
• 參考文獻62-69
• 致謝69-70
• 攻讀學(xué)位期間發(fā)表的論文70

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 潘志松;燕繼坤;;少數(shù)類的集成學(xué)習[J];南京航空航天大學(xué)學(xué)報;2009年04期

2 饒峰;;核機器集成學(xué)習算法的誤差分析[J];重慶文理學(xué)院學(xué)報(自然科學(xué)版);2010年04期

3 朱敏;張永清;李夢龍;周大威;黃俊;;基于集成學(xué)習方法的蛋白質(zhì)相互作用預(yù)測[J];四川大學(xué)學(xué)報(工程科學(xué)版);2011年03期

4 唐耀華;高靜懷;包乾宗;;一種新的選擇性支持向量機集成學(xué)習算法[J];西安交通大學(xué)學(xué)報;2008年10期

5 倪勇;吳汶芪;李君;;基于小樣本的集成學(xué)習研究[J];機電工程;2009年12期

6 蔣宗禮;徐學(xué)可;;一種基于集成學(xué)習與類指示器的文本分類方法[J];北京工業(yè)大學(xué)學(xué)報;2010年04期

7 張伶衛(wèi);萬文強;;基于云計算平臺的代價敏感集成學(xué)習算法研究[J];山東大學(xué)學(xué)報(工學(xué)版);2012年04期

8 李文斌;劉椿年;鐘寧;;基于兩階段集成學(xué)習的分類器集成[J];北京工業(yè)大學(xué)學(xué)報;2010年03期

9 付忠良;;一種用于方向預(yù)測的集成學(xué)習算法[J];上海交通大學(xué)學(xué)報;2012年02期

10 李曉歐;范嬋嬌;;集成學(xué)習在腦機接口分類算法中的研究[J];電子測量與儀器學(xué)報;2011年11期

中國重要會議論文全文數(shù)據(jù)庫 前4條

1 關(guān)菁華;劉大有;賈海洋;;自適應(yīng)多分類器集成學(xué)習算法[A];第二十五屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（二）[C];2008年

2 劉伍穎;王挺;;一種多過濾器集成學(xué)習垃圾郵件過濾方法[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

3 葉紅云;倪志偉;陳恩紅;;一種混合型集成學(xué)習演化決策樹算法[A];2005年“數(shù)字安徽”博士科技論壇論文集[C];2005年

4 李燁;蔡云澤;許曉鳴;;基于支持向量機集成的故障診斷[A];第16屆中國過程控制學(xué)術(shù)年會暨第4屆全國故障診斷與安全性學(xué)術(shù)會議論文集[C];2005年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 阿里木·賽買提(Alim.Samat);基于集成學(xué)習的全極化SAR圖像分類研究[D];南京大學(xué);2015年

2 王永明;集成回歸問題若干關(guān)鍵技術(shù)研究[D];華東師范大學(xué);2015年

3 常征;基于混合集成學(xué)習的眼部與四肢交互動作建模與識別[D];北京科技大學(xué);2016年

4 張春霞;集成學(xué)習中有關(guān)算法的研究[D];西安交通大學(xué);2010年

5 劉天羽;基于特征選擇技術(shù)的集成學(xué)習方法及其應(yīng)用研究[D];上海大學(xué);2007年

6 尹華;面向高維和不平衡數(shù)據(jù)分類的集成學(xué)習研究[D];武漢大學(xué);2012年

7 王清;集成學(xué)習中若干關(guān)鍵問題的研究[D];復(fù)旦大學(xué);2011年

8 方育柯;集成學(xué)習理論研究及其在個性化推薦中的應(yīng)用[D];電子科技大學(xué);2011年

9 侯勇;特征提取與集成學(xué)習算法的研究及應(yīng)用[D];北京科技大學(xué);2015年

10 李燁;基于支持向量機的集成學(xué)習研究[D];上海交通大學(xué);2007年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 高偉;基于半監(jiān)督集成學(xué)習的情感分類方法研究[D];蘇州大學(xué);2015年

2 宋文展;基于抽樣的集成進化算法研究[D];廣西大學(xué);2015年

3 湯瑩;遷移與集成學(xué)習在文本分類中的應(yīng)用研究[D];江蘇科技大學(xué);2015年

4 劉政;基于知識元和集成學(xué)習的中文微博情感分析[D];大連理工大學(xué);2015年

5 丘橋云;結(jié)合文本傾向性分析的股評可信度計算研究[D];哈爾濱工業(yè)大學(xué);2014年

6 秦海;融合非標記樣本選擇的集成學(xué)習研究[D];湘潭大學(xué);2015年

7 李想;基于多示例的集成學(xué)習理論與應(yīng)用研究[D];合肥工業(yè)大學(xué);2014年

8 李震宇;基于集成學(xué)習的數(shù)字圖像隱寫定量分析[D];解放軍信息工程大學(xué);2014年

9 王希玲;基于選擇性集成學(xué)習的網(wǎng)絡(luò)入侵檢測方法研究[D];青島科技大學(xué);2016年

10 陳范曙;基于信息整合的藥物相關(guān)信息挖掘方法研究[D];華東師范大學(xué);2016年

，

本文編號：760965