基于SVM的高光譜遙感影像分類中參數(shù)影響研究

2.1萬字 49頁 包括外文翻譯，原創(chuàng)作品，已通過查重系統(tǒng)

摘 要
高光譜圖像處理的一個基本內容是將目標物體分類。在具體應用中，訓練樣本數(shù)量總是有限的。統(tǒng)計學習理論第一次系統(tǒng)地研究了樣本在有限情況下的機器學習問題，同時提出了一種通用的機器學習方法——支持向量機(SVM)。本文將SVM用于高光譜遙感圖像分類，具體的內容體現(xiàn)在以下三個方面：
1、系統(tǒng)總結歸納了經驗風險最小化原則、凸二次規(guī)劃問題以及核函數(shù)映射等關鍵理論和基礎知識，論述了當前常用的SVM 實現(xiàn)技術。
2、通過實驗用控制變量法分別比較了分析了模型參數(shù)（包括核參數(shù)和誤差懲罰因子）對SVM 分類算法的影響，以及核參數(shù)性能指標。還具體論述了核參數(shù)對SVM性能優(yōu)劣的作用，提出用核矩陣解析，將SVM訓練最后化成二次規(guī)劃問題，大大減少了計算難度。由此可得到更好的SVM分類器。
3、分析了高光譜遙感圖像的特性與傳統(tǒng)的分類方法面臨的主要問題，實驗研究表明了核模型參數(shù)選取的重要性。所以模型參數(shù)的選取變得相當重要，甚至比核函數(shù)的選取更加重要，于是本文提出了兩種選取方法，為網(wǎng)格搜索算法和遺傳算法。系統(tǒng)介紹了這兩種算法的思想。



關鍵字：支持向量機，模型參數(shù)選取， 高光譜遙感， 核參數(shù)性能