基于svm的高光谱遥感影像分类中参数影响研究.doc

基于SVM的高光谱遥感影像分类中参数影响研究

2.1万字 49页 包括外文翻译，原创作品，已通过查重系统

摘 要
高光谱图像处理的一个基本内容是将目标物体分类。在具体应用中，训练样本数量总是有限的。统计学习理论第一次系统地研究了样本在有限情况下的机器学习问题，同时提出了一种通用的机器学习方法——支持向量机(SVM)。本文将SVM用于高光谱遥感图像分类，具体的内容体现在以下三个方面：
1、系统总结归纳了经验风险最小化原则、凸二次规划问题以及核函数映射等关键理论和基础知识，论述了当前常用的SVM 实现技术。
2、通过实验用控制变量法分别比较了分析了模型参数（包括核参数和误差惩罚因子）对SVM 分类算法的影响，以及核参数性能指标。还具体论述了核参数对SVM性能优劣的作用，提出用核矩阵解析，将SVM训练最后化成二次规划问题，大大减少了计算难度。由此可得到更好的SVM分类器。
3、分析了高光谱遥感图像的特性与传统的分类方法面临的主要问题，实验研究表明了核模型参数选取的重要性。所以模型参数的选取变得相当重要，甚至比核函数的选取更加重要，于是本文提出了两种选取方法，为网格搜索算法和遗传算法。系统介绍了这两种算法的思想。



关键字：支持向量机，模型参数选取， 高光谱遥感， 核参数性能