基于支持向量機(jī)的多光譜數(shù)據(jù)分類.pdf

1、結(jié)合國(guó)家自然科學(xué)基金和河北省自然科學(xué)基金項(xiàng)目，研究了基于支持向量機(jī)的多光譜數(shù)據(jù)分類問(wèn)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(yán)重的Hughes現(xiàn)象，傳統(tǒng)模式識(shí)別的分類方法難以取得很好的結(jié)果。統(tǒng)計(jì)學(xué)習(xí)理論第一次系統(tǒng)地研究了在有限樣本下的機(jī)器學(xué)習(xí)問(wèn)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(fēng)險(xiǎn)最小化原則。支持向量機(jī)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(jì)學(xué)習(xí)理論（Statistic Learning Theory-SLT）和支持向量機(jī)（Support Vector Machine-SVM）為基礎(chǔ)，開展了以下幾個(gè)方面的研究工作：
　　 首先，深入分析了多光譜數(shù)據(jù)的特點(diǎn)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(jì)學(xué)習(xí)理論和支持向量機(jī)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(jī)方法，這些方法包括：一對(duì)多（one-against-all）、一對(duì)一（one-against-one）、有向無(wú)環(huán)圖支持向量機(jī)（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(jī)方法。提出了兩種改進(jìn)的模糊多類支持向量機(jī)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(qiáng)的泛化能力。
　　 第三，針對(duì)傳統(tǒng)支持向量機(jī)方法中存在對(duì)噪聲或野點(diǎn)敏感的問(wèn)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(jī)方法。重點(diǎn)在隸屬度的選取上不同，在確定樣本的隸屬度時(shí)，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(gè)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(gè)數(shù)據(jù)點(diǎn)的局部密度。數(shù)值實(shí)驗(yàn)結(jié)果表明，與幾

5、種支持向量機(jī)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(jī)方法具有良好的抗噪性能及分類能力。
　　 第四，為了減少計(jì)算的復(fù)雜度，提出了基于聚類的支持向量機(jī)反問(wèn)題求解方法。從實(shí)驗(yàn)結(jié)果看，基于聚類求解SVM反問(wèn)題，有效地減少了算法復(fù)雜度，提高了計(jì)算效率，還研究了最大間隔與兩個(gè)聚類中兩個(gè)最近點(diǎn)的距離之間的數(shù)量關(guān)系。針對(duì)線性可分情況，研究表明線性硬間隔分類機(jī)的對(duì)偶問(wèn)題與凸殼問(wèn)題（平分最近點(diǎn)法）是等價(jià)的，線性硬間隔分類機(jī)的最大

6、間隔與凸殼問(wèn)題的兩個(gè)最近點(diǎn)的距離相等；針對(duì)非線性可分情況，研究表明線性軟間隔分類機(jī)的對(duì)偶問(wèn)題與縮小的凸殼問(wèn)題（推廣的平分最近點(diǎn)法）是等價(jià)的，線性軟間隔分類機(jī)的最大間隔與縮小的凸殼問(wèn)題的兩個(gè)最近點(diǎn)的距離相等。
　　 最后，總結(jié)了適合于求解大型問(wèn)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(duì)