基于支持向量機的多光譜數(shù)據(jù)分類.pdf

1、結(jié)合國家自然科學(xué)基金和河北省自然科學(xué)基金項目，研究了基于支持向量機的多光譜數(shù)據(jù)分類問題。目前遙感信息的提取和利用水平大大滯后于遙感技術(shù)的發(fā)展，因此研究新的理論和方法提高遙感信息的提取水平具有十分重要的意義。在多光譜數(shù)據(jù)分類中，由于訓(xùn)練樣本非常有限、數(shù)據(jù)維數(shù)很高，容易導(dǎo)致嚴重的Hughes現(xiàn)象，傳統(tǒng)模式識別的分類方法難以取得很好的結(jié)果。統(tǒng)計學(xué)習(xí)理論第一次系統(tǒng)地研究了在有限樣本下的機器學(xué)習(xí)問題，提出了一種能夠根據(jù)樣本數(shù)量的多少合理地控制分類

2、器的推廣能力的一種模型選取原則-結(jié)構(gòu)風險最小化原則。支持向量機是在該理論框架下產(chǎn)生的一種學(xué)習(xí)方法。本文以統(tǒng)計學(xué)習(xí)理論（Statistic Learning Theory-SLT）和支持向量機（Support Vector Machine-SVM）為基礎(chǔ)，開展了以下幾個方面的研究工作：
　　 首先，深入分析了多光譜數(shù)據(jù)的特點和傳統(tǒng)模式分類方法在多光譜數(shù)據(jù)分類中面臨的困難。把統(tǒng)計學(xué)習(xí)理論和支持向量機用于多光譜數(shù)據(jù)分類，有效地克服了H

3、ughes現(xiàn)象，獲得了比一般方法更好的分類精度。
　　 其次，總結(jié)了現(xiàn)有的幾種有代表性的多類支持向量機方法，這些方法包括：一對多（one-against-all）、一對一（one-against-one）、有向無環(huán)圖支持向量機（DAG-SVMs）、決策樹分類和全局優(yōu)化分類（MSVM）；還介紹了兩種模糊支持向量機方法。提出了兩種改進的模糊多類支持向量機方法，它是在全局優(yōu)化分類（MSVM）的基礎(chǔ)上，引入模糊隸屬函數(shù)，并將其用于多光譜

4、數(shù)據(jù)分類，提高了數(shù)據(jù)的分類精度，具有較強的泛化能力。
　　 第三，針對傳統(tǒng)支持向量機方法中存在對噪聲或野點敏感的問題，提出了兩種基于支持向量數(shù)據(jù)描述的模糊多類支持向量機方法。重點在隸屬度的選取上不同，在確定樣本的隸屬度時，不僅考慮了樣本與類中心之間的關(guān)系，還考慮了類中各個樣本之間的關(guān)系。一種是基于數(shù)據(jù)緊描述引入模糊隸屬函數(shù)；另一種是基于支持向量數(shù)據(jù)描述引入模糊隸屬函數(shù)，使用近鄰方法提取每個數(shù)據(jù)點的局部密度。數(shù)值實驗結(jié)果表明，與幾

5、種支持向量機方法相比，上述兩種基于支持向量數(shù)據(jù)描述的模糊多類支持向量機方法具有良好的抗噪性能及分類能力。
　　 第四，為了減少計算的復(fù)雜度，提出了基于聚類的支持向量機反問題求解方法。從實驗結(jié)果看，基于聚類求解SVM反問題，有效地減少了算法復(fù)雜度，提高了計算效率，還研究了最大間隔與兩個聚類中兩個最近點的距離之間的數(shù)量關(guān)系。針對線性可分情況，研究表明線性硬間隔分類機的對偶問題與凸殼問題（平分最近點法）是等價的，線性硬間隔分類機的最大

6、間隔與凸殼問題的兩個最近點的距離相等；針對非線性可分情況，研究表明線性軟間隔分類機的對偶問題與縮小的凸殼問題（推廣的平分最近點法）是等價的，線性軟間隔分類機的最大間隔與縮小的凸殼問題的兩個最近點的距離相等。
　　 最后，總結(jié)了適合于求解大型問題的訓(xùn)練算法：選塊算法（Chuncking），分解算法（Decomposing）和序列最小最優(yōu)化算法（SequentialMinimalCptimization-SMO）等，這些都是專門針對