資源描述：
《基于相關(guān)向量機(jī)的高光譜遙感圖像分類研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、分類號(hào)：TP391單位代碼：11407密級(jí)：公開學(xué)號(hào)：20137163北方民族大學(xué)碩士學(xué)位論文基于相關(guān)向量機(jī)的高光譜遙感圖像分類研究HyperspectralRemoteSensingImageClassificationBasedonRelevantVectorMachine學(xué)位申請人：李斌指導(dǎo)教師：保文星教授申請學(xué)位門類級(jí)別：工學(xué)碩士專業(yè)名稱：計(jì)算機(jī)應(yīng)用技術(shù)研究方向：圖形圖像處理所在學(xué)院：計(jì)算機(jī)科學(xué)與工程學(xué)院論文完成日期：2016年4月-I-摘要高光譜遙感圖像憑借其較高的光譜分辨率，超高的光譜信息量以
2、及相鄰波段較高的相關(guān)性，具有較強(qiáng)的實(shí)用性，已成為遙感圖像領(lǐng)域的一個(gè)研究熱點(diǎn)，受到各國專家學(xué)者的青睞。相關(guān)向量機(jī)理論是2001年M.E.Tipping提出的一種新型的基于貝葉斯統(tǒng)計(jì)學(xué)習(xí)框架的有監(jiān)督機(jī)器學(xué)習(xí)算法，該算法的提出彌補(bǔ)了傳統(tǒng)SVM算法的不足。相關(guān)向量機(jī)通過回歸估計(jì)獲取預(yù)測值的概率分布，從而得到一個(gè)基于核函數(shù)的稀疏解，能夠處理回歸和分類問題。通過對高光譜遙感圖像的分類研究我們發(fā)現(xiàn)，相關(guān)向量機(jī)對于高維大樣本的高光譜圖像分類精度并不是很高，基于此問題，本文提出了一種改進(jìn)的相關(guān)向量機(jī)算法。本文通過對傳統(tǒng)相關(guān)
3、向量機(jī)與支持向量機(jī)分類算法的研究，發(fā)現(xiàn)對高維大樣本數(shù)據(jù)，相關(guān)向量機(jī)不論是在Kappa系數(shù)還是總體分類精度上都不及傳統(tǒng)的支持向量機(jī)。因此，本文將研究重點(diǎn)放在了對原始數(shù)據(jù)的預(yù)處理階段上。首先，我們采用主成分分析法對原始數(shù)據(jù)進(jìn)行降維處理，實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)相關(guān)向量機(jī)相比，經(jīng)過主成分分析法處理后再使用相關(guān)向量機(jī)分類，分類精度并不能得到有效提升。其次，論文利用線性判別分析法對原始數(shù)據(jù)進(jìn)行降維處理，實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)相關(guān)向量機(jī)相比，其分類精度仍然不能得到有效的提升。最后，本文提出了一種改進(jìn)型的相關(guān)向量機(jī)算法。該算
4、法將主成分分析法與線性判別分析法相結(jié)合，對高光譜數(shù)據(jù)進(jìn)行二次降維，然后采用相關(guān)向量機(jī)進(jìn)行遙感圖像分類。實(shí)驗(yàn)結(jié)果顯示，與傳統(tǒng)相關(guān)向量機(jī)相比，本文算法在分類精度上有了明顯的提升，數(shù)據(jù)的類間及類內(nèi)距離比總體增大，從而達(dá)到我們降低維度提升分類精度的目的。本文通過對相關(guān)向量機(jī)算法的研究，針對該算法對高維大樣本數(shù)據(jù)分類精度不高的問題提出了一種改進(jìn)型算法，不僅降低了樣本數(shù)據(jù)維數(shù)、保留了主要的信息量也提升了相關(guān)向量機(jī)的分類精度。最后，文章分析了本文算法在高光譜遙感圖像分類上的優(yōu)勢與不足之處，為今后我們進(jìn)一步的研究打下了堅(jiān)
5、實(shí)的基礎(chǔ)。關(guān)鍵詞：相關(guān)向量機(jī)；高光譜遙感圖象分類；降維；主成分分析法；線性判別分析法-II-AbstractHyperspectralremotesensingimagerywhichhasstrongpracticabilitybyvirtueofhighspectralresolution,hugespectralinformationandhighrelevanceofadjacentband,ispraisedbyexpertsandscholarsandbecomingpopularinthef
6、ieldofremotesensing.InordertomakeupdisadvantagesinSVM，M.E.Tippingputforwardanewkindofsupervisedmachinelearningalgorithmswhobasedonbayesianstatisticallearningframeworkin2001--Relevancevectormachine(RVM).Wecanobtainasparsesolutionthatbasedonkernelfunctionby
7、probabilitydistributionofforecastthroughregressionestimateinthismethod.Usingthesparsesolutionwecandealwithregressionandclassificationproblems.ButwefindthattheclassificationaccuracyofRVMisnothighwhenapplytohyperspectraldata，soanovelclassificationmethodbase
8、donRVMispresentedinthispaper.Comparedwiththetraditionalsupportvectormachine(SVM)classificationalgorithminthehighdimensionalandlargesampledatawefoundthattherelevancevectormachineinKappacoefficientandoverallclassifica
