CN102750551A - 一种粒子寻优下基于支持向量机的高光谱遥感分类方法 - Google Patents

一种粒子寻优下基于支持向量机的高光谱遥感分类方法 Download PDF

Info

Publication number
CN102750551A
CN102750551A CN201210202073XA CN201210202073A CN102750551A CN 102750551 A CN102750551 A CN 102750551A CN 201210202073X A CN201210202073X A CN 201210202073XA CN 201210202073 A CN201210202073 A CN 201210202073A CN 102750551 A CN102750551 A CN 102750551A
Authority
CN
China
Prior art keywords
particle
data
classification
function
random
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201210202073XA
Other languages
English (en)
Inventor
郭宝峰
彭冬亮
高晓健
陈华杰
刘俊
谷雨
郭云飞
左燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201210202073XA priority Critical patent/CN102750551A/zh
Publication of CN102750551A publication Critical patent/CN102750551A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种粒子寻优下基于支持向量机的高光谱遥感分类方法。现有方法无法满足对数据维数高、数据量大的高光谱数据进行高效率高精度的分类，对支持向量机方法的参数没有理想的选择方法。本发明首先对高光谱数据进行预处理，去掉大气吸收等因素影响下的异常波段。之后随机选取各个类别的一定比例的数据作为训练数据，选择高斯径向基为核函数形式，训练基于支持向量机的分类器。设计变化权重的速度更新公式，并保证一定比例的粒子突变，通过粒子群优化算法，选择得到最优分类器参数。训练多个的二分类器，以投票法的方式选取得票最多的类成为数据点的最终预测的类别。本发明增强了分类器参数寻优收敛的能力，提高了高光谱遥感图像的分类性能。

Description

一种粒子寻优下基于支持向量机的高光谱遥感分类方法
技术领域
本发明属于信息技术领域，涉及到人工智能、模式识别技术，具体是一种粒子优化下基于支持向量机的高光谱遥感分类方法。
背景技术
利用高光谱遥感进行地物分类是遥感众多应用领域中一个重要的组成部分。高光谱遥感能极大的获取地物特征光谱曲线，具有光谱分辨率高，光谱连续性强，相邻谱带相关性高的特点。而其数据维数高、数据量大、数据不确定性和小样本分类等特点，是高光谱遥感数据分类的关键和难点。
在分类处理技术上，沿用了多光谱遥感处理方式，用得最广、最为一般的方法是统计模式识别方法。利用该种方法进行影像的分类时，首先设定地物类别服从一定的分布（如正态分布），并获取不同类别的一定数量的训练样本点，进行类别参数的估计，获取各类别的具体分布信息；然后，根据所选取的分类器（诸如最小欧式距离分类器、高斯最大似然分类器等），将各待识样本点进行类别判断，赋予其合适的类别标签。虽然统计模式识别方法在多光谱影像的分类中得到了成功的运用，但高光谱数据与多光谱数据有着很大的不同。原来许多参数估计方法都是在正态分布的假设下做出的，但对高维的高光谱数据来说，是否满足正态分布则很难判断。传统模式分类方法常常建立在统计分析和大数定律基础上，只有当训练样本数量趋于无穷时，传统方法的性能才能达到最优。
在分类器的选取方面，针对多光谱影像分类的方法已经得到了充分的研究，加之该类影像所包含的地物信息有限，因而通常可以获得较为理想的分类结果。但在高光谱影像的分类过程中，随着光谱分辨率的提高，可识别的类别数目得到增加，这些在多光谱条件下无法辨别的地物类别一般来说有着较差的可分性，使得传统的分类方法可能不再适应。因而，寻求性能更为优良、适应性更强、执行效率高的分类器，就成为是否能够充分挖掘高光谱影像，实现精确分类的关键因素。
发明内容
本发明的目的就是针对现有技术的不足，提供了一种粒子群优化下基于支持向量机的高光谱遥感分类方法。该方法弥补了传统统计模式分类方法在高光谱分类问题上的不足。
本发明方法包括以下步骤：
1）高光谱数据的预处理。
将光谱影像各个波段以灰度图实现显示，对各个波段的光谱影像进行目视检查，确定由于大气吸收、折射和散射等因素对光谱数据产生较大影响的异常波段，所述异常波段指无法成像显示地物特征波段，对其做直接剔除处理。而后，对余下各个波段做归一化处理。
2）训练样本准备。
依据先验知识，在每个地物类别区域内，随机选取一定比例的训练样本。每个二分类问题，可组成训练样本集                                                
Figure 463619DEST_PATH_IMAGE001
,,，其中
Figure 64867DEST_PATH_IMAGE004
为n维输入向量，也即n维训练样本，
Figure 772054DEST_PATH_IMAGE005
为第i个样本的样本标签，其表征样本类别号，
Figure 184581DEST_PATH_IMAGE006
为训练样本总数。
3）支持向量机的分类器设计。
根据结构风险最小的原则，构造一个目标函数，寻找一个满足分类要求的分割超平面
Figure 150263DEST_PATH_IMAGE007
，其中为超平面的法向量，
Figure 974048DEST_PATH_IMAGE009
为超平面的偏移量，并使训练集中的点距离该分割平面尽可能地远，即寻找一个分割平面，使其两侧的空白区域(
Figure 545975DEST_PATH_IMAGE010
)最大。此时，规划问题表述为下式：
Figure 112086DEST_PATH_IMAGE011
    其中
Figure 102170DEST_PATH_IMAGE012
为错分样本的惩罚因子，
Figure 666006DEST_PATH_IMAGE013
和
Figure 787546DEST_PATH_IMAGE014
为松弛因子。
目标函数是严格上凹的二次型，约束函数是下凹的，按照最优化理论中凸二次规划的解法，构造拉格朗日函数：
Figure 344298DEST_PATH_IMAGE015
其中
Figure 500473DEST_PATH_IMAGE016
、
Figure 235211DEST_PATH_IMAGE017
为拉格朗日乘子，转化为Wolfe对偶问题：
Figure 844047DEST_PATH_IMAGE018
    决策函数为：
Figure 428657DEST_PATH_IMAGE019
（其中和
Figure 344977DEST_PATH_IMAGE021
为常数）
4）核函数构造。
选择适当的核函数
Figure 628060DEST_PATH_IMAGE022
，把原特征空间变换到了某一新的特征空间，使得非线性规划转化为线性规划。采用拥有较宽收敛域的高斯径向基核函数作为支持向量的核函数，数学表达式如下：
Figure 339664DEST_PATH_IMAGE023
其中
Figure 142535DEST_PATH_IMAGE024
为核函数参数。
据此得到规划问题：
Figure 969808DEST_PATH_IMAGE025
决策函数为：
Figure 553236DEST_PATH_IMAGE026
（其中
Figure 193164DEST_PATH_IMAGE020
和
Figure 850542DEST_PATH_IMAGE021
为常数）
    5）改进粒子优化算法下分类器的参数寻优。
    采用核函数将实际问题转换到高维空间后，
Figure 160300DEST_PATH_IMAGE027
和
Figure 919440DEST_PATH_IMAGE024
是两个待确定的分类器参数。在一个二维（
Figure 910530DEST_PATH_IMAGE027
和
Figure 750310DEST_PATH_IMAGE024
）解的目标搜索空间中，有个代表潜在问题解的粒子组成一个种群，该种群可表示为
Figure 602039DEST_PATH_IMAGE029
，其中
Figure 318192DEST_PATH_IMAGE030
为第i个粒子，优化步骤如下：
    a）在搜索空间
Figure 950161DEST_PATH_IMAGE031
中，给每一个粒子
Figure 867302DEST_PATH_IMAGE032
,设定一个随机的初始化的位置
Figure 335454DEST_PATH_IMAGE033
，以及一个随机的初始化的速度
Figure 668347DEST_PATH_IMAGE034
，从而完成粒子群初始化。
    b）确定的适应度函数
Figure 669670DEST_PATH_IMAGE035
为训练集分类正确率，计算每个粒子在初始位置的适应度值
Figure 429815DEST_PATH_IMAGE036
，比较各粒子适应度值得到初始时全局最佳粒子的位置
Figure 696848DEST_PATH_IMAGE037
，以及各个个体最佳粒子的位置
Figure 584164DEST_PATH_IMAGE038
。
    c）根据下面的式子更新每个粒子的速度和位置。
速度更新公式：
Figure 190726DEST_PATH_IMAGE039
位置更新公式：
Figure 371040DEST_PATH_IMAGE040
其中
Figure 125370DEST_PATH_IMAGE041
为惯性权重，
Figure 800065DEST_PATH_IMAGE042
为认知加速因子，
Figure 11866DEST_PATH_IMAGE043
为社会加速因子，
Figure 379393DEST_PATH_IMAGE044
和
Figure 621018DEST_PATH_IMAGE045
为0到1的两个随机数。此时，设定惯性权重为随迭代次数变化的变量：
Figure 83093DEST_PATH_IMAGE046
其中，的变化范围为，
Figure 416750DEST_PATH_IMAGE048
为当前迭代次数，为最大迭代次数。
在粒子更新过程中，设定一部分粒子不按照更新公式进行变化。每次迭代时，按照一定比例分配粒子在设定的位置和速度范围内采用随机更新的方式进行变化。
d）计算更新后的粒子的适应度
Figure 118176DEST_PATH_IMAGE050
。对每个微粒，将其当前适应值与所经历过的最好位置的适应值进行比较，若适应值有提高，则将其作为当前的最好位置。对每个微粒，将其当前适应值与全局所经历的最好位置
Figure 778144DEST_PATH_IMAGE037
的适应值进行比较，若适应值有提高，则将其作为当前的全局最好位置。
e）继续按照速度和位置更新公式，更新粒子，继续步骤c和d。直到达到停机条件（达到预定的适应度值）或者达到最大迭代次数
Figure 360784DEST_PATH_IMAGE049
。
6）对于K类训练样本，构造所有可能的两类分类器，每次仅仅在K类中的两类训练样本上训练，结果共构造K(K-1)/2个分类器。运用这些分类器，分别对高光谱遥感数据进行预测，得到每个数据点的K(K-1)/2个预测标签。采用投票的方法，将每个数据点得到得票最多的类的预测标签，判定为最终的类别。如果数据点有几类的预测标签得票相等，则随机选择其中某一类的标签，作为其最终的分类标号。
本发明针对高光谱遥感的数据特点，采用了以小样本学习、抗噪性能、学习效率高和推广性好为优点的支持向量机的方法。此法能有效解决高光谱分类中常见的休斯（Hughes）效应，实现了对高维数据的处理，达到了理想的分类精度。同时应用改进的粒子群算法优化了基于支持向量机的核函数的参数选取，取得了优于普通寻优方法的高光谱分类结果。
附图说明
图1为本发明方法流程图。
图2为高光谱第11波段的灰度图。
具体实施方式
使用的高光谱数据为1992年6月获取的航空AVIRIS影像，实验区位于美国印第安纳州，包含农作物和森林植被混合区域。图像大小为145×145像素，参见图2，光谱范围从0.4-2.4um，共220波段，16个地物类别，1个背景类。
首先，去掉水汽吸收影响下的30个波段，剩下190个波段，对余下数据去除背景类点，然后做归一化处理。随机选择每个类别的50%的数据点，作为分类器的训练数据。
表1 各类别训练测试数据统计表
类别 训练个数 测试个数 合计
C1 27 27 54
C2 717 717 1434
C3 417 417 834
C4 117 117 234
C5 248 249 497
C6 373 374 747
C7 13 13 26
C8 244 245 489
C9 10 10 20
C10 484 484 968
C11 1234 1234 2468
C12 307 307 614
C13 106 106 212
C14 647 647 1294
C15 190 190 380
C16 47 48 95
总计 5181 5185 10366
选择高斯径向基函数为支持向量机的核函数，采取粒子群优化算法，对参数（
Figure 650951DEST_PATH_IMAGE027
和）寻优。设计粒子为两维，初始粒子群个数为15，最大迭代代数为
Figure 156068DEST_PATH_IMAGE051
，最优停机准则为达到99%的分类精度，最大粒子速度模为1，粒子初始速度为模不大于1的随机速度，在以及
Figure 675353DEST_PATH_IMAGE053
的区域内随机生成15个粒子的位置。
    选择k=3的3折交叉验证的平均训练样本分类正确率的负数为设计的适应度函数：；
在粒子速度更新公式中，设计认知加速因子
Figure 838667DEST_PATH_IMAGE055
，社会加速因子
Figure 62975DEST_PATH_IMAGE056
。设计惯性权重为动态变化权重：
Figure 812887DEST_PATH_IMAGE057
初始化最大权重
Figure 34921DEST_PATH_IMAGE058
，最小权重
Figure 447448DEST_PATH_IMAGE059
。设定每次粒子在速度更新中都有10%的突变比例。
    经过不断迭代，达到停机准则（达到相应分类精确率或者达到最大迭代数），此时使得全局最优的粒子的位置向量为最终的分类器最优参数向量。
    针对16个地物类别，构造
Figure 662398DEST_PATH_IMAGE060
个的分类器，粒子优化得到最优参数后，对高光谱数据进行预测，根据投票法则，得到最多投票数的类别为数据点最终的分类预测类别点。
    本发明方法和其他两种方法的分类结果统计表如下：
表2 分类结果表
Figure 781663DEST_PATH_IMAGE061
其中
Figure 659752DEST_PATH_IMAGE062
为
Figure 559575DEST_PATH_IMAGE063
变量最小变化步长为
Figure 63368DEST_PATH_IMAGE064
,为
Figure 850245DEST_PATH_IMAGE066
变量最小变化步长为
Figure 925779DEST_PATH_IMAGE064
,
Figure 295581DEST_PATH_IMAGE067
为粒子个数，
Figure 123859DEST_PATH_IMAGE042
为认知加速因子，
Figure 107865DEST_PATH_IMAGE043
为社会加速因子，
Figure 654384DEST_PATH_IMAGE068
为最大迭代次数，
Figure 827876DEST_PATH_IMAGE069
为权重上限，
Figure 526973DEST_PATH_IMAGE070
为权重下限。
从统计分类结果表中可看到，采用本发明的方法，分别比网格搜索方法和基本PSO方法分别提高了2.99%和4.67%，达到了理想的分类精度。

Claims (1)

1. 一种粒子寻优下基于支持向量机的高光谱遥感分类方法，其特征在于该方法包括以下步骤：
1）高光谱数据的预处理；
将光谱影像各个波段以灰度图实现显示，对各个波段的光谱影像进行目视检查，确定由于大气吸收、折射和散射因素对光谱数据产生较大影响的异常波段，所述异常波段指无法成像显示地物特征波段，对其做直接剔除处理；而后，对余下各个波段数据做归一化处理；
2）训练样本准备；
依据先验知识，在每个地物类别区域内，随机选取一定比例的训练样本；每个二分类问题，可组成训练样本集                                               ,
Figure 201210202073X100001DEST_PATH_IMAGE004
, 
Figure 201210202073X100001DEST_PATH_IMAGE006
，其中
Figure 201210202073X100001DEST_PATH_IMAGE008
为n维输入向量，也即n维训练样本，
Figure 201210202073X100001DEST_PATH_IMAGE010
为第i个样本的样本标签，其表征样本类别号，
Figure 201210202073X100001DEST_PATH_IMAGE012
为训练样本总数；
3）支持向量机的分类器设计；
根据结构风险最小的原则，构造一个目标函数，寻找一个满足分类要求的分割超平面
Figure 201210202073X100001DEST_PATH_IMAGE014
，其中
Figure 201210202073X100001DEST_PATH_IMAGE016
为超平面的法向量，
Figure 201210202073X100001DEST_PATH_IMAGE018
为超平面的偏移量，并使训练集中的点距离该分割平面尽可能地远，即寻找一个分割平面，使其两侧的空白区域(
Figure 201210202073X100001DEST_PATH_IMAGE020
)最大；此时，规划问题表述为下式：
Figure 201210202073X100001DEST_PATH_IMAGE022
    其中
Figure 201210202073X100001DEST_PATH_IMAGE024
为错分样本的惩罚因子，和
Figure 201210202073X100001DEST_PATH_IMAGE028
为松弛因子；
目标函数是严格上凹的二次型，约束函数是下凹的，按照最优化理论中凸二次规划的解法，构造拉格朗日函数：
Figure 201210202073X100001DEST_PATH_IMAGE030
其中、
Figure 201210202073X100001DEST_PATH_IMAGE034
为拉格朗日乘子，转化为Wolfe对偶问题：
Figure 201210202073X100001DEST_PATH_IMAGE036
    决策函数为：
Figure 201210202073X100001DEST_PATH_IMAGE038
，其中和
Figure 201210202073X100001DEST_PATH_IMAGE042
为常数；
4）核函数构造；
选择适当的核函数
Figure 201210202073X100001DEST_PATH_IMAGE044
，把原特征空间变换到了某一新的特征空间，使得非线性规划转化为线性规划；采用拥有较宽收敛域的高斯径向基核函数作为支持向量的核函数，数学表达式如下：
Figure 201210202073X100001DEST_PATH_IMAGE046
其中
Figure DEST_PATH_IMAGE048
为核函数参数；
据此得到规划问题：
Figure DEST_PATH_IMAGE050
决策函数为：
Figure DEST_PATH_IMAGE052
，其中
Figure 492471DEST_PATH_IMAGE040
和
Figure 30900DEST_PATH_IMAGE042
为常数；
    5）改进粒子优化算法下分类器的参数寻优；
    采用核函数将实际问题转换到高维空间后，
Figure DEST_PATH_IMAGE054
和
Figure 618876DEST_PATH_IMAGE048
是两个待确定的分类器参数；在一个二维解的目标搜索空间中，有
Figure DEST_PATH_IMAGE056
个代表潜在问题解的粒子组成一个种群，该种群可表示为
Figure DEST_PATH_IMAGE058
，其中为第i个粒子，优化步骤如下：
    a）在搜索空间
Figure DEST_PATH_IMAGE062
中，给每一个粒子
Figure DEST_PATH_IMAGE064
,设定一个随机的初始化的位置
Figure DEST_PATH_IMAGE066
，以及一个随机的初始化的速度
Figure DEST_PATH_IMAGE068
，从而完成粒子群初始化；
    b）确定的适应度函数为训练集分类正确率，计算每个粒子在初始位置的适应度值，比较各粒子适应度值得到初始时全局最佳粒子的位置
Figure DEST_PATH_IMAGE074
，以及各个个体最佳粒子的位置
Figure DEST_PATH_IMAGE076
；
    c）根据下面的式子更新每个粒子的速度和位置；
速度更新公式：
Figure DEST_PATH_IMAGE078
位置更新公式：
Figure DEST_PATH_IMAGE080
其中为惯性权重，
Figure DEST_PATH_IMAGE084
为认知加速因子，
Figure DEST_PATH_IMAGE086
为社会加速因子，
Figure DEST_PATH_IMAGE088
和
Figure DEST_PATH_IMAGE090
为0到1的两个随机数；此时，设定惯性权重为随迭代次数变化的变量：
Figure DEST_PATH_IMAGE092
其中，的变化范围为
Figure DEST_PATH_IMAGE094
，
Figure DEST_PATH_IMAGE096
为当前迭代次数，
Figure DEST_PATH_IMAGE098
为最大迭代次数；
在粒子更新过程中，设定一部分粒子不按照更新公式进行变化；每次迭代时，按照一定比例分配粒子在设定的位置和速度范围内采用随机更新的方式进行变化；
d）计算更新后的粒子的适应度
Figure DEST_PATH_IMAGE100
；对每个微粒，将其当前适应值与所经历过的最好位置
Figure 953923DEST_PATH_IMAGE076
的适应值进行比较，若适应值有提高，则将其作为当前的最好位置；对每个微粒，将其当前适应值与全局所经历的最好位置
Figure 646941DEST_PATH_IMAGE074
的适应值进行比较，若适应值有提高，则将其作为当前的全局最好位置；
e）继续按照速度和位置更新公式，更新粒子，继续步骤c和d；直到达到停机条件或者达到最大迭代次数
Figure 800842DEST_PATH_IMAGE098
；
6）对于K类训练样本，构造所有可能的两类分类器，每次仅仅在K类中的两类训练样本上训练，结果共构造K(K-1)/2个分类器；运用这些分类器，分别对高光谱遥感数据进行预测，得到每个数据点的K(K-1)/2个预测标签；采用投票的方法，将每个数据点得到得票最多的类的预测标签，判定为最终的类别；如果数据点有几类的预测标签得票相等，则随机选择其中某一类的标签，作为其最终的分类标号。
CN201210202073XA 2012-06-18 2012-06-18 一种粒子寻优下基于支持向量机的高光谱遥感分类方法 Pending CN102750551A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210202073XA CN102750551A (zh) 2012-06-18 2012-06-18 一种粒子寻优下基于支持向量机的高光谱遥感分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210202073XA CN102750551A (zh) 2012-06-18 2012-06-18 一种粒子寻优下基于支持向量机的高光谱遥感分类方法

Publications (1)

Publication Number Publication Date
CN102750551A true CN102750551A (zh) 2012-10-24

Family

ID=47030716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210202073XA Pending CN102750551A (zh) 2012-06-18 2012-06-18 一种粒子寻优下基于支持向量机的高光谱遥感分类方法

Country Status (1)

Country Link
CN (1) CN102750551A (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103258244A (zh) * 2013-04-28 2013-08-21 西北师范大学 基于粒子群优化支持向量机预测哒嗪类hcv ns5b聚合酶抑制剂的抑制浓度的方法
CN103440493A (zh) * 2013-02-27 2013-12-11 中国人民解放军空军装备研究院侦察情报装备研究所 基于相关向量机的高光谱影像模糊分类方法及装置
CN103605711A (zh) * 2013-11-12 2014-02-26 中国石油大学(北京) 支持向量机分类器的构造方法及装置、分类方法及装置
CN104268569A (zh) * 2014-09-18 2015-01-07 浙江工业大学 一种基于超低色散光谱特征的空间碎片分类方法
CN105825231A (zh) * 2016-03-15 2016-08-03 浙江工业大学 一种基于人工智能的空间碎片光谱特征分类方法
CN106482967A (zh) * 2016-10-09 2017-03-08 湖南工业大学 一种代价敏感支持向量机机车车轮检测***及方法
CN107229944A (zh) * 2017-05-04 2017-10-03 青岛科技大学 基于认知信息粒子的半监督主动识别方法
US9851287B2 (en) 2016-03-03 2017-12-26 International Business Machines Corporation Size distribution determination of aerosols using hyperspectral image technology and analytics
CN107687896A (zh) * 2017-07-28 2018-02-13 中国科学院西安光学精密机械研究所 压缩编码光谱成像***的编码模板矩阵优化设计方法
CN107741410A (zh) * 2017-09-18 2018-02-27 燕山大学 一种基于icso‑svm的苯并类物质的荧光光谱检测法
CN108052968A (zh) * 2017-12-08 2018-05-18 哈尔滨工程大学 一种qsfla-svm的感知入侵检测方法
CN108229572A (zh) * 2018-01-17 2018-06-29 北京腾云天下科技有限公司 一种参数寻优方法及计算设备
CN108900198A (zh) * 2018-06-29 2018-11-27 中国石油大学(华东) 一种串行抵消列表译码参数的快速确定方法
CN109461188A (zh) * 2019-01-30 2019-03-12 南京邮电大学 一种二维x射线头影测量图像解剖特征点自动定位方法
CN109670687A (zh) * 2018-12-06 2019-04-23 华中科技大学 一种基于粒子群优化支持向量机的质量分析方法
CN109670408A (zh) * 2018-11-28 2019-04-23 河海大学 一种基于对象的遥感图像水体提取方法
CN110221266A (zh) * 2019-06-11 2019-09-10 哈尔滨工程大学 一种基于支持向量机的航海雷达目标快速检测方法
CN111077193A (zh) * 2019-12-31 2020-04-28 北京航空航天大学 一种电容传感器及对其电容信号进行处理的成像定位方法
CN111381600A (zh) * 2018-12-28 2020-07-07 陕西师范大学 一种基于粒子群算法的uuv路径规划方法
CN113435101A (zh) * 2021-04-01 2021-09-24 国网内蒙古东部电力有限公司 一种基于粒子群优化的支持向量机停电预测方法
CN113646619A (zh) * 2019-02-14 2021-11-12 开米美景公司 扩展粒子群波段选择

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101127086A (zh) * 2007-09-12 2008-02-20 哈尔滨工程大学 高光谱图像复选性加权分类方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101127086A (zh) * 2007-09-12 2008-02-20 哈尔滨工程大学 高光谱图像复选性加权分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《2012 2nd Remote Sensing，Environment and Transportation Engineering》 20120603 Xiaojian Gao et al. "Classification of Hyperspectral Image Based on SVM Optimized by A New Particle Swarm Optimization" 1-4 1 , *
XIAOJIAN GAO ET AL.: ""Classification of Hyperspectral Image Based on SVM Optimized by A New Particle Swarm Optimization"", 《2012 2ND REMOTE SENSING，ENVIRONMENT AND TRANSPORTATION ENGINEERING》 *

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440493A (zh) * 2013-02-27 2013-12-11 中国人民解放军空军装备研究院侦察情报装备研究所 基于相关向量机的高光谱影像模糊分类方法及装置
CN103258244A (zh) * 2013-04-28 2013-08-21 西北师范大学 基于粒子群优化支持向量机预测哒嗪类hcv ns5b聚合酶抑制剂的抑制浓度的方法
CN103605711A (zh) * 2013-11-12 2014-02-26 中国石油大学(北京) 支持向量机分类器的构造方法及装置、分类方法及装置
CN103605711B (zh) * 2013-11-12 2017-02-15 中国石油大学(北京) 支持向量机分类器的构造方法及装置、分类方法及装置
CN104268569A (zh) * 2014-09-18 2015-01-07 浙江工业大学 一种基于超低色散光谱特征的空间碎片分类方法
CN104268569B (zh) * 2014-09-18 2017-08-01 浙江工业大学 一种基于超低色散光谱特征的空间碎片分类方法
US10168268B2 (en) 2016-03-03 2019-01-01 International Business Machines Corporation Size distribution determination of aerosols using hyperspectral image technology and analytics
US10175157B2 (en) 2016-03-03 2019-01-08 International Business Machines Corporation Size distribution determination of aerosols using hyperspectral image technology and analytics
US9851287B2 (en) 2016-03-03 2017-12-26 International Business Machines Corporation Size distribution determination of aerosols using hyperspectral image technology and analytics
CN105825231A (zh) * 2016-03-15 2016-08-03 浙江工业大学 一种基于人工智能的空间碎片光谱特征分类方法
CN106482967B (zh) * 2016-10-09 2019-10-29 湖南工业大学 一种代价敏感支持向量机机车车轮检测***及方法
CN106482967A (zh) * 2016-10-09 2017-03-08 湖南工业大学 一种代价敏感支持向量机机车车轮检测***及方法
CN107229944A (zh) * 2017-05-04 2017-10-03 青岛科技大学 基于认知信息粒子的半监督主动识别方法
CN107229944B (zh) * 2017-05-04 2021-05-07 青岛科技大学 基于认知信息粒子的半监督主动识别方法
CN107687896A (zh) * 2017-07-28 2018-02-13 中国科学院西安光学精密机械研究所 压缩编码光谱成像***的编码模板矩阵优化设计方法
CN107741410A (zh) * 2017-09-18 2018-02-27 燕山大学 一种基于icso‑svm的苯并类物质的荧光光谱检测法
CN108052968A (zh) * 2017-12-08 2018-05-18 哈尔滨工程大学 一种qsfla-svm的感知入侵检测方法
CN108052968B (zh) * 2017-12-08 2021-11-12 哈尔滨工程大学 一种qsfla-svm的感知入侵检测方法
CN108229572B (zh) * 2018-01-17 2021-03-02 北京腾云天下科技有限公司 一种参数寻优方法及计算设备
CN108229572A (zh) * 2018-01-17 2018-06-29 北京腾云天下科技有限公司 一种参数寻优方法及计算设备
CN108900198A (zh) * 2018-06-29 2018-11-27 中国石油大学(华东) 一种串行抵消列表译码参数的快速确定方法
CN109670408A (zh) * 2018-11-28 2019-04-23 河海大学 一种基于对象的遥感图像水体提取方法
CN109670687A (zh) * 2018-12-06 2019-04-23 华中科技大学 一种基于粒子群优化支持向量机的质量分析方法
CN111381600A (zh) * 2018-12-28 2020-07-07 陕西师范大学 一种基于粒子群算法的uuv路径规划方法
CN109461188A (zh) * 2019-01-30 2019-03-12 南京邮电大学 一种二维x射线头影测量图像解剖特征点自动定位方法
CN113646619A (zh) * 2019-02-14 2021-11-12 开米美景公司 扩展粒子群波段选择
CN110221266B (zh) * 2019-06-11 2022-12-13 哈尔滨工程大学 一种基于支持向量机的航海雷达目标快速检测方法
CN110221266A (zh) * 2019-06-11 2019-09-10 哈尔滨工程大学 一种基于支持向量机的航海雷达目标快速检测方法
CN111077193A (zh) * 2019-12-31 2020-04-28 北京航空航天大学 一种电容传感器及对其电容信号进行处理的成像定位方法
CN111077193B (zh) * 2019-12-31 2021-10-22 北京航空航天大学 一种电容传感器及对其电容信号进行处理的成像定位方法
CN113435101A (zh) * 2021-04-01 2021-09-24 国网内蒙古东部电力有限公司 一种基于粒子群优化的支持向量机停电预测方法

Similar Documents

Publication Publication Date Title
CN102750551A (zh) 一种粒子寻优下基于支持向量机的高光谱遥感分类方法
Yang et al. Particle swarm optimization-based hyperspectral dimensionality reduction for urban land cover classification
CN105956612B (zh) 基于主动学习和半监督学习的高光谱图像分类方法
CN104091321B (zh) 适用于地面激光雷达点云分类的多层次点集特征的提取方法
CN102819745B (zh) 一种基于AdaBoost的高光谱遥感影像分类方法
CN104732244B (zh) 基于小波变换、多策略pso和svm集成的遥感图像分类方法
CN101599126B (zh) 利用全局互信息加权的支持向量机分类器
CN109146889A (zh) 一种基于高分辨率遥感图像的农田边界提取方法
CN102208037B (zh) 基于高斯过程分类器协同训练算法的高光谱图像分类方法
CN108537102A (zh) 基于稀疏特征与条件随机场的高分辨sar图像分类方法
CN105005789B (zh) 一种基于视觉词汇的遥感图像地物分类方法
CN103839261A (zh) 一种基于分解进化多目标优化和fcm的sar图像分割方法
CN105608474A (zh) 基于高分辨率影像的区域自适应耕地提取方法
CN102393914A (zh) 一种基于支持向量机分类树的地基云图识别方法
CN103093182A (zh) 一种基于多敏感性策略的遥感影像层次分类识别方法
CN103500343A (zh) 基于mnf变换结合扩展属性滤波的高光谱影像分类方法
Jahan et al. Inverse coefficient of variation feature and multilevel fusion technique for hyperspectral and LiDAR data classification
Treboux et al. Decision tree ensemble vs. nn deep learning: efficiency comparison for a small image dataset
CN114266961A (zh) 一种整合高光谱和多频段全极化sar影像的沼泽植被堆栈集成学习分类方法
Asming et al. Processing and classification of landsat and sentinel images for oil palm plantation detection
Naeini et al. Improving the dynamic clustering of hyperspectral data based on the integration of swarm optimization and decision analysis
Radhika et al. Ensemble subspace discriminant classification of satellite images
Kauffman et al. Automated estimation of forest stand age using Vegetation Change Tracker and machine learning
Khobragade et al. Optimization of statistical learning algorithm for crop discrimination using remote sensing data
Senthilnath et al. Crop type classification based on clonal selection algorithm for high resolution satellite image

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20121024