資源描述：
《svm加權(quán)學(xué)習(xí)下lidar數(shù)據(jù)多元分類的研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、本人聲明所呈交的論文是我個人在導(dǎo)師指導(dǎo)下進行的研究工作及取得的研究成果。盡我所知，除了文中特別加以標(biāo)注和致謝中所羅列的內(nèi)容以外，論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果；也不包含為獲得桂林電子科技大學(xué)或其它教育機構(gòu)的學(xué)位或證書而使用過的材料。與我一同工作的同志對本研究所做的任何貢獻均已在論文中做了明確的說明并表示了謝意。申請學(xué)位論文與資料若有不實之處，本人承擔(dān)一切相關(guān)責(zé)任。本人簽名：日期：關(guān)于論文使用授權(quán)的說明本人完全了解桂林電子科技大學(xué)有關(guān)保留和使用學(xué)位論文的規(guī)定，即：研究生在校攻讀學(xué)位期間論文工作的知識產(chǎn)權(quán)單位屬桂林電子科技大學(xué)。本
2、人保證畢業(yè)離校后，發(fā)表論文或使用論文工作成果時署名單位仍然為桂林電子科技大學(xué)。學(xué)校有權(quán)保留送交論文的復(fù)印件，允許查閱和借閱論文；學(xué)?？梢怨颊撐牡娜炕虿糠謨?nèi)容，可以允許采用影印、縮印或其它復(fù)制手段保存論文。（保密的論文在解密后遵守此規(guī)定）本學(xué)位論文屬于保密在____年解密后適用本授權(quán)書。本人簽名：日期：導(dǎo)師簽名：日期：萬方數(shù)據(jù)摘要摘要近年來，機載激光測距(LightDetectandRange,LiDAR)主動遙感技術(shù)以其高空間分辨率、高自動化數(shù)據(jù)采集效率而廣泛應(yīng)用于地形測繪、森林監(jiān)測以及城市建模等多個領(lǐng)域。然而，由于LiDAR所采集的信
3、息是關(guān)于地表特征的高密度三維離散點(稱為“點云”)，缺乏語義線索，難以作為專題信息直接使用，因此發(fā)展高效的數(shù)據(jù)處理算子如分類算法，從“點云”中提取諸如水域、樹冠以及道路網(wǎng)等專題信息成為目前研究的熱點和難點。本文以支持向量機(SVM)統(tǒng)計學(xué)習(xí)為理論依據(jù),對城區(qū)機載LiDAR數(shù)據(jù)分類問題進行了研究，以實現(xiàn)對城區(qū)機載LiDAR數(shù)據(jù)多元分類（地面，樹木，建筑）為目的，主要工作如下：①基于參考文獻及相關(guān)試驗結(jié)果，確定了對機載LiDAR數(shù)據(jù)進行多元分類所需的特征矢量,該矢量包括4個特征值：高度信息，高度變化，平面擬合誤差，激光返回強度。②基于支持向量機
4、分類過程中不同特征對分類結(jié)果貢獻存在差異這一事實，提出了支持向量機加權(quán)學(xué)習(xí)(WeightedSupportVectorMachine,W-SVM)的概念，并通過引入特征單類權(quán)重、多類權(quán)重屬性以及特征的加權(quán)歸一化處理來予以實現(xiàn)。③結(jié)合SVM分類的精度估計過程，給出了本文兩種特征權(quán)重的計算方法并據(jù)此提出了多元分類策略1AAA1，分階段構(gòu)造具有最大響應(yīng)輸出能力的分類器，從而整體上保證了分類可靠性。④以兩組標(biāo)準(zhǔn)測試數(shù)據(jù)以及兩塊城區(qū)的機載LIDAR數(shù)據(jù)以及兩塊標(biāo)準(zhǔn)測試數(shù)據(jù)為例，就其中特征矢量的選取與加權(quán)歸一化，特征權(quán)重的計算以及多元分類策略1AAA1
5、的實施進行了詳細的描述、討論和說明，最后給出了分類精度。通過與傳統(tǒng)SVM分類結(jié)果的對比分析，表明了新方法的有效性。關(guān)鍵詞：LiDAR分類；支持向量機；監(jiān)督分類；權(quán)重；機器學(xué)習(xí)；統(tǒng)計學(xué)習(xí).-I-萬方數(shù)據(jù)SVM加權(quán)學(xué)習(xí)下的LiDAR數(shù)據(jù)多元分類研究AbstractInrecentyears,theactiveremotesensingtechnology—airbornelaserradarmeasurement(calledLightDetectingandRanging,LiDAR)iswidelyusedintopographicmapp
6、ing,forestmonitoring,urbanmodelingandotherfieldsbecauseofitshighspatialresolutionandhighefficiencyofautomateddataacquisition.However,becausethecollectinginformationofLiDARishigh-density3-Ddiscretepointsaboutthesurfacefeatures(called"thepointcloud")andlackofsemanticclues,it
7、isdifficulttobedirectlyusedasthematicinformation.Developingefficientdataprocessingoperatorssuchasextractingwaterarea,crownandroadnetworkfrompointcloudhasbecomethefocusanddifficultyofthestudyatpresent.Takingsupportvectormachine(SVM)statisticallearningasthetheorybasis,urbana
8、irborneLiDARdataclassificationwasstudiedinthispapertoachievemultipleclassificationofurban
