| 【中文题名】 | 支持向量机和模糊理论在遥感图像分类中的应用 |
| 【英文题名】 | Application of Support Vector Machine and Fuzzy Theory for Remote Sensing Image Classification |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-12-13 |
| 【中关键词】 | 支持向量机,模糊支持向量机,模糊隶属度,边缘效应,决策树,类距离 |
| 【英关键词】 | Support Vector Machines,Fuzzy Support Vector Machines,Fuzzy Membership Degree,Edge-effect,Decision Tree,Class-distance,Remote Sensing Image Classification, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>遥感技术>遥感图像的解译、识别与处理>图像处理方法> |
| 【论文摘要】 |
遥感图像分类是遥感应用中的最核心技术之一,快速、高精度的遥感图像分类算法是实现各种实际应用的前提。传统的模式分类方法以经验风险最小化为归纳原则,只有当样本数趋于无穷时,其性能才能达到理论上的最优。然而在遥感图像分类中,训练样本通常是有限的。本文借助支持向量机方法在小样本、非线性及高维特征空间中具有良好的分类性能,针对遥感图像分类的特点,对支持向量机方法及其在遥感图像分类中的应用进行了深入地研究,主要工作包括:
(1)对现有的支持向量机训练算法进行了讨论,对支持向量机的二次优化算法进行了研究,并选择次序最小优化算法作为二次优化算法。
(2)对支持向量机的多值分类算法进行了深入研究,深入讨论了一对一SVM多类分类器、一对多SVM多类分类器在遥感图像分类中的应用,并对一对一SVM多类分类器产生的混分样本、一对多SVM多类分类器产生的混分样本和漏分样本使用模糊聚类方法进行了模糊后处理,组合分类器有效提高了遥感图像的分类精度。
(3)讨论了二种模糊支持向量机的原理,并对训练过程中引入模糊引子的模糊支持向量机训练算法进行了改进,提出边缘效应训练算法的模糊支持向量机训练算法。
(4... |
| 【论文题纲】 |
|
摘要 |
5-6 |
|
ABSTRACT |
6-7 |
|
1 绪论 |
7-11 |
|
1.1 引言 |
7-8 |
|
1.2 遥感图像分类研究现状 |
8 |
|
1.3 支持向量机理论研究现状 |
8-9 |
|
1.4 模糊理论简介 |
9 |
|
1.5 本文的主要工作 |
9-10 |
|
1.6 本文的章节安排 |
10-11 |
|
2 支持向量机及其改进算法在遥感图像分类中的应用 |
11-29 |
|
2.1 统计学习理论 |
11-16 |
|
2.2 支持向量机理论 |
16-24 |
|
2.3 SVM 改进算法在遥感图像分类中应用 |
24-29 |
|
3 支持向量机结合模糊理论在遥感图像分类中的应用 |
29-40 |
|
3.1 模糊理论及其在遥感图像分类中的应用 |
29-32 |
|
3.2 模糊支持向量机在遥感图像分类中的应用 |
32-40 |
|
4 改进的模糊支持向量机算法在遥感图像分类中的应用 |
40-46 |
|
4.1 引入模糊因子的模糊支持向量机训练算法简介 |
40-41 |
|
4.2 改进模糊因子的模糊支持向量机训练算法介绍 |
41-42 |
|
4.3 改进的模糊支持向量机算法及其在遥感图像分类中的应用 |
42-45 |
|
4.4 实验结果分析 |
45-46 |
|
5 模糊支持向量机结合决策树方法在遥感图像分类中应用 |
46-52 |
|
5.1 二叉决策树SVM 多类分类器在IRIS 数据集上的实验 |
46-48 |
|
5.2 二叉决策树SVM 多类分类器在遥感数据集上的实验 |
48-51 |
|
5.3 二叉决策树边缘效应训练算法SVM 多类分类器在遥感数据集上的实验 |
51-52 |
|
6 结论与展望 |
52-54 |
|
6.1 本文工作总结 |
52-53 |
|
6.2 今后工作展望 |
53-54 |
|
致谢 |
54-55 |
|
参考文献 |
55-59 |
|
附录A 硕士期间发表论文 |
59 |
|
| 【DOI】 | LunWen.ID:2.2008.389423 |
