谈遥感基于支持向量机高光谱多类别分类信

论文导读：
摘要：地球遥感是通过在空中或者地球轨道的各种传感器通过光、热、无线电波等电磁能量来探测地物特性的科学。高光谱数据是有很多光谱波段且光谱分辨率很高的数据。一般以可见光到红外范围就设置了两百多个波段。光谱分辨率的极大提升，使得高光谱图像数据细分地物以及区分相似类别成为可能，由此高光谱运用范围相当广泛。高光谱分类就是将高光谱图像的每个像素赋予一个类别标记。一般的高光谱分类算法主要涉及两个方面：特点提取和选择，分类器设计。本论文主要探讨高光谱多类分类的对策。在浅析现有多类对策优缺点的基础上，本论文提出了一种“淘汰赛”思路的淘汰决策树多类对策，并用于解决支持向量机多类不足。实验结果表明该策略可以保持传统“循环赛”一对一策略的高分类精度，而分类时间只需要一对一策略的50%左右。为了进一步加速分类历程，以影响支持向量机分类速度的两类不足数量和支持向量数量出发，本论文提出了一种快速的二叉树对策。实验结果表明该策略的分类时间只有一对一策略的25%左右，但分类精度只有不到0.5%的下降。关键词：遥感论文高光谱图像论文方式分类论文多类对策论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要3-4
ABSTRACT4-8
第一章 绪论8-20

1.1 课题探讨背景8-12

1.1 高光谱的概念及其运用8-10

1.2 国内外相关探讨单位10-12

1.2 课题探讨近况12-19

1.2.1 课题的探讨内容12-14

1.2.2 课题的探讨近况14-18

1.2.3 课题的探讨难点18-19

1.3 论文内容安排19-20

第二章 支持向量机与高光谱分类概论20-32

2.1 机器学习20-24

2.

1.1 经验风险与实际风险的不一致21-23

2.

1.2 泛化能力23-24

2.2 统计学习论述24-29

2.1 VC 维24-26

2.2 风险上界26-27

2.3 结构风险最小化原则与支持向量机27-29

2.3 高光谱图像分类精度评价29-30

2.3.1 混淆矩阵和总分类精度29

2.3.2 利用者和生产者精度29-30

2.3.3 Kappa 系数30

2.3.4 McNemar 测试30

2.4 高光谱分类探讨的基准图像30-32

2.4.1 IRIS 高光谱数据 923C31

2.4.2 HYDICE 高光谱数据 Washington DC Mall31-32
第三章 基于淘汰决策树对策的支持向量机多类分类器32-42

3.1 多类对策介绍32-34

3.2 多类对策浅析34-36

3.3 淘汰决策树支持向量机36-38

3.1 淘汰决策树36-37

3.2 淘汰决策树支持向量机37-38

3.4 实验结果与浅析38-40

3.4.1 实验设置38

3.4.2 IRIS 数据结果38-40

3.5 本章小结40-42

第四章 基于快速二叉树对策的支持向量机多类分类器42-50

4.1 快速二叉树（FBT）构建42-44

4.2 分类界面浅析44-45

4.3 平均支持向量数量45-46

4.4 实验结果与浅析46-48

4.1 实验设置46

4.2 Washington DC Mall 数据结果46-48

4.5 本章小结48-50

第五章 结束语50-52
致谢52-54
参考文献54-58