基于核密度估計(jì)的光譜數(shù)據(jù)分類與回歸方法研究.pdf

1、本文針對(duì)遙感和傅立葉紅外透射兩種不同形式的光譜進(jìn)行了基于核密度估計(jì)的高光譜遙感數(shù)據(jù)分類和傅立葉紅外透射光譜回歸分析研究。高光譜遙感數(shù)據(jù)分類面臨的難點(diǎn)就是如何有效處理譜線波段強(qiáng)相關(guān)問題,而傅里葉紅外透射光譜回歸分析的難點(diǎn)在于如何準(zhǔn)確識(shí)別譜線中的隱含峰。已有的基于譜線匹配和統(tǒng)計(jì)特征(例如支持向量機(jī))的高光譜分類方法往往忽略了譜線波段間的相關(guān)性,從而限制了這些分類方法的表現(xiàn)。同時(shí),由于傳統(tǒng)的基于最小二乘法的擬合方法存在正規(guī)方程組病態(tài)化的缺陷,

2、使其往往無法識(shí)別譜線中的隱含峰,從而導(dǎo)致不精確的光譜數(shù)據(jù)分析結(jié)果。為了有效地解決上述光譜數(shù)據(jù)分類和回歸分析中面臨的難點(diǎn)和問題,本文從分析光譜數(shù)據(jù)的概率密度函數(shù)分布入手,主要開展了以下三部分的研究工作,提出了基于等效概率的靈活樸素貝葉斯分類器FNBEPNSK、基于聯(lián)合概率密度函數(shù)估計(jì)的非樸素貝葉斯分類器NNBC以及基于模糊積分的核回歸集成算法KREFI。
　　1)研究了Gaussian,Uniform,Triangular,Epan

3、echnikov,Biweight,Triweight和Cosine七種不同的核函數(shù)對(duì)基于邊緣概率密度函數(shù)估計(jì)的樸素貝葉斯分類器表現(xiàn)的影響,其中Gaussian核為光滑核函數(shù),后六種為非光滑核函數(shù)。通過分析這七種不同核函數(shù)在概率密度函數(shù)估計(jì)中的效能,給出了非光滑核函數(shù)的作用條件,并針對(duì)非光滑核函數(shù)在概率密度函數(shù)估計(jì)中的缺點(diǎn),提出了基于等效概率的靈活樸素貝葉斯分類器FNBEPNSK。在標(biāo)準(zhǔn)的UCI數(shù)據(jù)集和真實(shí)高光譜數(shù)據(jù)集上的驗(yàn)證結(jié)果表明,

4、等效概率的應(yīng)用顯著改善了樸素貝葉斯分類器的分類表現(xiàn)。
　　2)為了有效處理樣本條件屬性之間的相關(guān)性,我們將聯(lián)合概率密度估計(jì)的思想引入到了高光譜遙感數(shù)據(jù)分類器的設(shè)計(jì)中,提出了基于聯(lián)合概率密度估計(jì)的非樸素貝葉斯分類器NNBC。為了確定聯(lián)合概率密度估計(jì)中的帶寬參數(shù),本文設(shè)計(jì)了基于積分均方誤差最小化的參數(shù)選擇標(biāo)準(zhǔn),保證了最佳帶寬參數(shù)的選取,并通過與基于積分方差最小化的參數(shù)選擇標(biāo)準(zhǔn)比較證實(shí)其有效性。同時(shí),理論證明了當(dāng)屬性之間存在強(qiáng)相關(guān)時(shí)聯(lián)合

5、概率密度函數(shù)估計(jì)的最優(yōu)性。最后,在UCI數(shù)據(jù)集以及真實(shí)高光譜數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明非樸素貝葉斯分類器在獲得較高概率密度函數(shù)估計(jì)質(zhì)量的同時(shí),顯著地提升了樸素貝葉斯分類器的分類精度。
　　3)針對(duì)硅基薄膜傅里葉紅外透射光譜曲線波動(dòng)頻率大、隱含峰難識(shí)別的特點(diǎn)設(shè)計(jì)了一款能夠充分考慮光譜數(shù)據(jù)概率分布信息、具有高穩(wěn)定性和高準(zhǔn)確度的核回歸集成方法。通過在6個(gè)標(biāo)準(zhǔn)的測試函數(shù)上的實(shí)驗(yàn)比較,證實(shí)了基于交叉驗(yàn)證帶寬選擇策略Priestley-Chao核

6、回歸器PCKE1和PCKE2的高方差的特性。之后,設(shè)計(jì)了基于模糊積分的核回歸集成模型KREFI對(duì)四種不同的Priestley-Chao核回歸器進(jìn)行了融合以提高核回歸算法的穩(wěn)定性,其中模糊積分中的模糊測度使用了三種不同的粒子群優(yōu)化算法進(jìn)行確定。最后,在標(biāo)準(zhǔn)的測試函數(shù)以及28條不同形式的硅基薄膜傅里葉紅外透射光譜上對(duì)核回歸集成算法KREFI的表現(xiàn)進(jìn)行了驗(yàn)證,結(jié)果表明KREFI獲得了良好的回歸表現(xiàn),在一定程度上解決了譜線隱含峰無法識(shí)別的問題。