论文部分内容阅读
支持向量机(support vector machine,SVM)是一种新的机器学习算法,是借助于最优化方法解决机器学习问题的新工具,它的理论基础是Vapnik创建的统计学习理论。它通过结构风险最小化准则和核函数方法,较好地解决了模式分类器复杂性和推广性之间的矛盾,引起了模式识别领域学者的极大关注。近年来,随着其快速训练算法的出现,支持向量机在手写体识别、声音识别、人脸检测、文本分类、图像处理等领域取得了很大的成功。 针对支持向量机在遥感图像的应用,本文所做具体工作及创新如下: (1) 参加了浙江省科技厅科技计划项目《基于高光谱遥感的森林资源模式识别技术研究》的研究开发。 (2) 介绍了课题组经过多次研究探讨提出的理论——基于模糊聚类的选择性支持向量机集成,即首先在训练集上利用Bootstrap方法训练多个支持向量机个体,然后对这些支持向量机个体进行聚类,并选出各类中最接近靠近聚类中心的个体,组成选择后的个体集合,然后采用投票法进行集成,获得基于模糊聚类的选择性支持向量机集成。 (3) 在MATLAB平台上实现了将该算法用于遥感图像的分类;根据实验结果,证明了算法的可行性,即选择性集成后的支持向量机分类精度高于单一的支持向量机。 (4) 根据聚类算法和支持向量机的基本原理,提出了数据优化的方法,该方法将原始数据先进行聚类,然后选择各类的聚类质心训练支持向量机。实验表明,数据优化方法可以获得更高的分类精度。