结合粒子群寻优的混合核函数极限学习机分类模型

论文摘要

多光谱影像记录了地球上各类地物的电磁波,具有极大的信息量,对影像上相关信息的处理和提取是遥感信息应用的前提。多光谱影像的信息自动提取技术的准确性和提取速度是图像分析与理解领域永恒的研究主题。针对遥感影像信息提取的复杂性和极限学习机ELM的分类性能,在单隐层神经网络和极限学习机理论的基础上,提出了基于粒子群参数寻优的混合核函数极限学习机分类模型。与标准的ELM、支持向量机等分类模型进行比较验证,实验结果表明,混合核函数的极限学习机总体分类精度最高,达到了92.67%,有效提高了影像信息提取的精度和速度,很好地满足了图像信息自动提取对准确率和速度的双重要求。

论文目录

• 1 PSO-MK-ELM原理
•   1.1 基于核函数的 ELM基本原理
•   1.2 核函数的选取
•   1.3 粒子寻优算法
• 2 研究区域与数据预处理
•   2.1 研究区域
•   2.2 实验数据
•   2.3 数据预处理
• 3 实验及结果
•   3.1 分类系统建立与样本选取
•   3.2 构建特征空间
•   3.3 分类结果
•   3.4 精度评定
• 4 结论

文章来源

类型: 期刊论文

作者: 张婷慧,宇洁,叶张林,林怡

关键词: 遥感影像分类,极限学习机,粒子群寻优,机器学习,混合核函数

来源: 测绘科学技术学报 2019年01期

年度: 2019

分类: 基础科学

专业: 自然地理学和测绘学

单位: 同济大学测绘与地理信息学院

基金: 国家自然科学基金项目(41771449)

分类号: P237

页码: 56-61

总页数: 6

文件大小: 3460K

下载量: 296