支持向量機(jī)集成及在遙感分類中的應(yīng)用.pdf

1、自Vapnik于1995年提出支持向量機(jī)(SupportVectorMachines，SVM)后，支持向量機(jī)已經(jīng)在很多領(lǐng)域得到了成功的應(yīng)用。然而支持向量機(jī)也存在著幾個(gè)缺點(diǎn)：首先，用于解優(yōu)化問(wèn)題的逼近算法會(huì)影響泛化能力；其次，核函數(shù)和分類參數(shù)(包括懲罰系數(shù)C，核函數(shù)參數(shù))的選擇沒(méi)有特別好的辦法，應(yīng)用時(shí)不容易找到最優(yōu)的核函數(shù)和分類參數(shù)；最后，兩類支持向量機(jī)擴(kuò)展到多類時(shí)會(huì)導(dǎo)致性能下降。集成技術(shù)是現(xiàn)在機(jī)器學(xué)習(xí)的熱點(diǎn)之一，以神經(jīng)網(wǎng)絡(luò)、決策樹(shù)等為基

2、本分類器的集成研究已經(jīng)取得了很大的進(jìn)展，而基于支持向量機(jī)的集成技術(shù)研究相對(duì)起步較晚，研究較少。本文研究了多類支持向量機(jī)集成，同時(shí)，嘗試把支持向量機(jī)集成應(yīng)用于遙感分類的研究。本文所取得的創(chuàng)新性研究成果主要有： 1.比起神經(jīng)網(wǎng)絡(luò)、決策樹(shù)等學(xué)習(xí)算法，支持向量機(jī)是相對(duì)穩(wěn)定的分類器，利用常用的集成算法Bagging和Boosting對(duì)SVM進(jìn)行集成并不能有效地提高分類效果，本文提出了同時(shí)擾動(dòng)訓(xùn)練集和SVM分類模型參數(shù)的RBaggSVM和R

3、BoostSVM算法，算法的特點(diǎn)是在一定的范圍內(nèi)隨機(jī)選取SVM的模型參數(shù)，以獲得有差異的成員分類器。 2.把尋找部分分類器參與集成以取得最佳效果看作是優(yōu)化問(wèn)題，遺傳算法對(duì)優(yōu)化問(wèn)題具有全局尋優(yōu)能力，本文提出了基于遺傳算法的GARBaggSVM和GARBoostSVM分類器選擇算法。嘗試應(yīng)用遺傳算法對(duì)SVM集成的合成權(quán)重進(jìn)行優(yōu)化，然后選擇最優(yōu)的部分成員SVM參與集成來(lái)提高分類精度。 3.提出一種基于局部精度的動(dòng)態(tài)集成算法DE

4、RBaggSVM和DERBoostSVM，根據(jù)待分類測(cè)試樣本在其周圍鄰近空間的局部精度來(lái)選擇一部分成員分類器參與集成，經(jīng)投票或加權(quán)投票得到分類結(jié)果。 4.嘗試將多類支持向量機(jī)、支持向量機(jī)集成應(yīng)用到多源遙感分類中，并與最大似然法、神經(jīng)網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)集成技術(shù)進(jìn)行比較，顯示了支持向量機(jī)集成技術(shù)在遙感圖像分類研究中的應(yīng)用潛力和前景。 5.針對(duì)圖像像元存在著時(shí)空上的關(guān)聯(lián)，提出基于上下文分類模型的MRF-SVM算法，把馬爾可夫隨機(jī)場(chǎng)