31119.svm加權學習下的lidar數(shù)據(jù)多元分類研究

1、分類號密級UDC學號桂林電子科技大學碩士學位論文題目：SVM加權學習下的LiDAR數(shù)據(jù)多元分類研究（英文英文）AerialLidarDataMultiClassificationUsingTheWeightedSupptVectMachines研究生姓名:郭寧指導教師姓名指導教師姓名、職務職務:吳軍教授申請學科門類:工學碩士學科、專業(yè):測試計量技術及儀器提交論文日期:2011年4月論文答辯日期:2011年6月年月日獨創(chuàng)性獨創(chuàng)性（或創(chuàng)新性

2、或創(chuàng)新性）聲明聲明摘要I摘要近年來，機載激光測距(LightDetectRangeLiDAR)主動遙感技術以其高空間分辨率、高自動化數(shù)據(jù)采集效率而廣泛應用于地形測繪、森林監(jiān)測以及城市建模等多個領域。然而，由于LiDAR所采集的信息是關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

3、支持向量機(SVM)統(tǒng)計學習為理論依據(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學習(WeightedSupptVect

4、MachineWSVM)的概念，并通過引入特征單類權重、多類權重屬性以及特征的加權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重的計算方法并據(jù)此提出了多元分類策略1AAA1，分階段構造具有最大響應輸出能力的分類器，從而整體上保證了分類可靠性。④以兩組標準測試數(shù)據(jù)以及兩塊城區(qū)的機載LIDAR數(shù)據(jù)以及兩塊標準測試數(shù)據(jù)為例，就其中特征矢量的選取與加權歸一化，特征權重的計算以及多元分類策略1AAA1的實施進行了詳細