基于集成學習的高光譜遙感圖像分類.pdf_第1頁
已閱讀1頁，還剩65頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權，請進行舉報或認領

文檔簡介

1、學校代碼：10385分類號：研究生學號：1300220002密級：基于集成學習基于集成學習的高光譜遙感高光譜遙感圖像圖像分類分類Hyperspectralremotesensingimageclassificationbasedonensemblelearning。作者姓名：施心源施心源指導教師：陳鍛生陳鍛生教授教授學科：計算機科學與技術計算機科學與技術研究方向：遙感圖像處理遙感圖像處理所在學院：計算機科學與技術學院計算機科學與技術學院

2、論文提交日期：二零一六二零一六年六月一日摘要摘要高光譜遙感是當前遙感技術的一個前沿領域，高光譜遙感圖像同時具有地物的空間信息和光譜信息，是一種高維數(shù)據(jù)圖像，為地物的精確處理分析提供了可能。但是，隨著高光譜遙感采集技術的發(fā)展，高光譜圖像的光譜維度、空間分辨率越來越高，且信息冗余度高，常規(guī)的圖像分類技術在處理高光譜圖像時具有較大的局限性。集成學習使用多個學習機來解決同一問題，可以融合多種不同的分類技術，能顯著的提高分類系統(tǒng)的準確性和穩(wěn)定性。

3、本文從高光譜圖像數(shù)據(jù)的特點入手，對現(xiàn)有的分類算法進行分析的基礎上，結合集成學習的理論基礎，將集成學習使用到高光譜圖像的分類中。論文的主要研究工作如下：1）詳細研究了目前幾種流行的集成學習系統(tǒng)，結合主成分分析、最小噪聲分離的特征提取算法，實驗比較它們之間的特性，研究表明，旋轉(zhuǎn)森林在高光譜圖像分類中的性能優(yōu)于常規(guī)的集成學習算法（Bagging等）。2）在研究特征提取算法時將KOPLS特征引入高光譜圖像分類中，通過實驗證明該特征在高光譜圖像分

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論