基于支持向量机的遥感分类对比研究-遥感技术-论文之家

您现在的位置：硕士论文 >> 电子论文 >> 自动化 >> 遥感技术 >> 正文

基于支持向量机的遥感分类对比研究

Form: 论文之家作者：张森 Publish: 2007-7-5 Hits:-

【中文题名】

基于支持向量机的遥感分类对比研究

【英文题名】

【学科专业】

计算机应用技术

【论文级别】

硕士论文

【投稿时间】

2007-7-5

【中关键词】

支持向量机,SVM,纹理,SMO,支持向量机SVM,遥感

【英关键词】

TM,QuickBird,SVM（Support Vector Machine）,SMO（Sequential Minimum Optimization）,RS（Remote Sensing）,SLT（Statistical Learning Theory）,PCI,DotFunc,

【分类导航】

工业技术>自动化技术、计算机技术>遥感技术>遥感技术的应用>>

【论文摘要】

支持向量机(Support Vector Machine，SVM)是基于研究小样本情况下机器学习规律的统计学习理论的新的机器学习方法，它以结构风险最小化为准则，对实际应用中有限训练样本的问题，表现出很多优于已有学习方法的性能。在遥感图像的分类研究中，应用SVM分类最大优点是数据无需降维，并且在算法的分类速度，精度等方面都有较好的性能。 SMO(Sequential Minimal Optimization)算法通过把SVM算法中二次优化问题分解成很多易于处理的小问题，SMO每次只处理两个样本，并且运用解析的方法求解，这些特点使SVM得到更多的优势。传统的遥感分类都是基于遥感图像的波谱特征数据进行监督或非监督分类，而忽略了遥感中地物的纹理特征；如果在分类中把纹理特征也作为分类依据，就可以利用多重特征对地物进行有效分类。本文利用支持向量机SMO分类器对遥感图像的波谱与纹理特征进行分类对比应用。首先实现了分类器对三种向量数据的支持并提取遥感图像的纹理特征；其次手工标注选取遥感地物样本数据，并格式化为分类器支持的向量数据格式；最后采用了传统遥感分类方法与SVM分类方法对波谱特征向...

【论文题纲】

摘要	3-4
Abstracts	4-5
目录	5-8
第一章绪论	8-15
1.1 引言	8-9
1.2 历史背景	9-10
1.3 国内外目前发展状况	10-13
1.3.1 理论上的发展	10-12
1.3.2 应用上的发展	12
1.3.3 主要研究热点	12-13
1.4 本文研究的主要内容	13-14
1.4.1 对于支持向量机理论的研究	13-14
1.4.2 对于 SMO算法研究与实现	14
1.4.3 遥感图像分类研究	14
1.5 小结	14-15
第二章支持向量机基本问题	15-35
2.1 统计学习理论(SLT)简介	15-18
2.1.1 VC维	16-17
2.1.2 结构风险最小化	17-18
2.2 支持向量机(SVM)介绍	18-25
2.2.1 广义最优分类面	19-21
2.2.2 支持向量机	21-22
2.2.3 核函数	22-23
2.2.4 核函数主成分分析	23-24
2.2.5 用于函数拟合的 SVM	24-25
2.3 序惯最小优化(SMO)介绍	25-29
2.3.1 两点解析	26-27
2.3.2 启发式选择算法	27-28
2.3.3 Karush-Kuhn-Tucker条件	28-29
2.4 二叉树层级分类相关介绍	29-34
2.4.1 支持向量机多类分类方法概述	29-31
2.4.2 样本选择方案	31
2.4.3 层次支持向量机多类分类	31-33
2.4.4 类间相似性度量概念	33-34
2.5 小结	34-35
第三章遥感 RS介绍	35-45
3.1 遥感数字图像介绍	35-37
3.1.1 遥感数字图像及其特征	35-37
3.1.2 遥感数字图像的获取	37
3.1.3 遥感数字图像的特点	37
3.2 遥感图像传统监督分类方法	37-42
3.2.1 最大似然法(Maximum Likelihood Classifier)	38-39
3.2.2 最小距离法(Minimum Distance Classifier)	39-40
3.2.3 平行管道法(Parallelpiped Classifier)	40
3.2.4 决策树分类法(Decision Tree Classifier)	40-42
3.2.5 监督分类流程	42
3.3 遥感工具 PCI介绍	42-44
3.3.1 Geomatica Fundamentals	43
3.3.2 Geomatica Prime	43-44
3.4 小节	44-45
第四章序小优化算法(SMO)实现与实验	45-57
3.1 分类器整体结构	45-47
3.1.1 对向量数据的支持	45-46
3.1.2 算法命令行实现	46-47
3.2 向量数据	47-49
3.2.1 离散二值化数据	47
3.2.2 离散非二值化数据	47-48
3.2.3 密集数据	48-49
3.2 向量数据的读取与分类结果输出	49-50
3.2.1 向量数据的读取	49-50
3.2.2 输出分类结果文件	50
3.3 训练支持向量机数据文件	50-53
3.3.1 训练支持向量文件流程	50-52
3.3.2 训练支持向量文件实验过程	52-53
3.4 待预测数据分类	53-54
3.4.1 输出预测结果流程	53
3.4.2 输出分类结果文件实验过程	53-54
3.5 核函数	54-56
3.5.1 内积函数	54-55
3.5.2 多项式核函数	55
3.5.3 高斯核函数	55-56
3.6 小节	56-57
第五章遥感数据的分类实验对比分析	57-66
5.1 实验数据介绍及纹理提取方法流程	57-61
5.1.1 试验数据介绍及试验环境	57-58
5.1.2 纹理特征提取流程及实验	58-61
5.2 实验方法流程与实验结果对比分析	61-66
5.2.1 实验方法及流程	61-63
5.2.2 实验结果对比分析	63-66
第六章结论与展望	66-69
6.1 总结	66-67
6.2 展望	67-69
参考文献	69-72
致谢	72-73
附录A 攻读硕士学位期间发表的论文	73
附录B 论文关键字	73

【DOI】

LunWen.ID:2.2008.389440



付费论文：有参考文献 300元

1、注册会员 2、购买本文 3、下载文章
注:此文为收费论文，需付费购买。每页大约1000字。

代写论文流程

载入中…

Web lunwenjia


热门搜索：支持向量机论文 SVM 纹理 SMO 支持向量机SVM 遥感

遥感技术最新论文

遥感技术热门论文