版權(quán)說(shuō)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(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、西安電子科技大學(xué)碩士學(xué)位論文基于半監(jiān)督集成的遙感圖像的分割和分類姓名:王婷申請(qǐng)學(xué)位級(jí)別:碩士專業(yè):模式識(shí)別與智能系統(tǒng)指導(dǎo)教師:焦李成20091201ABSTRACTIIIABSTRACTTheearthobservationtechnologyofremotesensinghasbeenwidelyusedinbattlefieldintelligenceandreconnaissance,targetrecognition,clima
2、techangemonitoring,vegetationmonitoring,disastermonitoring,digitalearthetcSegmentation,classificationandrecognitionarethekeytechnologiesinremotesensingimageprocessingandinterpretationInrecentyears,semi—supervisedlearning
3、hasattractedincreasingattention,SOthispaperhavearesearchonremotesensingimageprocessingusingthesemi—supervisedlearningtheoryandmethodsThemaincontributionsofthispapercallbesummarizedasfollows:1Asemi—supervisedspectralclust
4、eringalgorithmforlargescaledataclusteringisproposedTheuniformsamplingtechniquecombinedwithnearestneighborruleisusedforthelargescaledataclusteringPairwiseconstraintsareincorporatedintospectralclustertoconstructsemi—superv
5、isedspectralclusteringinwhichtheselftuningparameterisappliedtoavoidtheselectionofthescalingparameterTheexperimentalresultsonthesegmentationofmultispectralremotesensingimageshowtheeffectivenessandpotentialoftheproposedmet
6、hod2BasedontheSemi—BoostensemblemethodwithsemisupervisedpathbasedsimilarityatargetrecognitionsystemfortheSARimagesisputforwardAddthepairwiseconstraintsinformationgeneratedbythelabeledsamplesintothesimilaritymatrixAndguid
7、edbythesimilaritymatrixtheunlabeledsamples、析tllllighconfidenceareaddedintothetrainingsamplesandfinallytheperformanceofthealgorithmisimprovedbyensemblingmulti—SVMswithweightedcomponentTheexperimentalresultsshowthatthetarg
8、etrecognitionaccuracyoftheproposedalgorithmishigherthanthatofothertraditionalmethods3AnspectralclusteringensemblemethodbasedonboostingisproposedandappliedtothesegmentationofSARimagesTheindividualspectralclusteringalgorit
9、hmisconstructedbyadaptiveresamplingtechniquebasedonboostingandrandomscalingparametersThefinalclusteringisobtainedbyMCLAforthecombinationofcomponentclusteringTheexperimentalresultsonUCIdatasets,thesegmentationofsynthetict
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)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(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于半監(jiān)督分類的遙感圖像云判方法研究.pdf
- 基于半監(jiān)督集成學(xué)習(xí)的高光譜圖像分類.pdf
- 高光譜遙感圖像半監(jiān)督分類方法的研究.pdf
- 實(shí)驗(yàn)四遙感圖像的監(jiān)督分類和非監(jiān)督分類
- 基于半監(jiān)督學(xué)習(xí)的遙感影像分類.pdf
- 空譜聯(lián)合高光譜遙感圖像半監(jiān)督分類.pdf
- 基于集成學(xué)習(xí)的高光譜遙感圖像分類.pdf
- 基于半監(jiān)督聚類的圖像分割算法研究.pdf
- 基于稀疏編碼的半監(jiān)督圖像分類研究.pdf
- 基于半監(jiān)督集成學(xué)習(xí)的情感分類方法研究.pdf
- 實(shí)習(xí)遙感圖像分類(一)監(jiān)督分類
- 基于半監(jiān)督學(xué)習(xí)和區(qū)域特性的圖像分割算法研究.pdf
- 基于集成學(xué)習(xí)的多光譜遙感圖像分類研究.pdf
- 基于半監(jiān)督學(xué)習(xí)的靜態(tài)極光圖像分類.pdf
- 基于半監(jiān)督和集成學(xué)習(xí)的不平衡數(shù)據(jù)特征選擇和分類.pdf
- 基于半監(jiān)督聚類的織物圖像分割算法研究.pdf
- 基于約束的半監(jiān)督聚類的圖像分割算法研究.pdf
- 基于多分類器投票集成的半監(jiān)督情感分類方法研究.pdf
- 基于半監(jiān)督和集成學(xué)習(xí)的交互式圖像檢索算法研究.pdf
- 基于內(nèi)容的遙感圖像分割研究.pdf
評(píng)論
0/150
提交評(píng)論