本書系統(tǒng)總結了作者近年來在高光譜遙感影像分類、機器學習、智能計算等方面的研究成果，在介紹高光譜遙感影像分類基礎知識、機器學習、智能計算等常用方法的基礎上，探討影響分類準確率的因素，重點對多核集成學習及粒子群等方法在高光譜遙感影像分類中的應用進行了深入探討。本書將作者研究過程與體會與大家分享，拋磚引玉，希望進一步促進遙感圖像的分析與理解水平，這也是本書撰寫的初衷。 全書共分為8章。第1章主要介紹高光譜遙感的基本概念、高光譜遙感影像分類的基礎和原理、分類研究現(xiàn)狀、存在的問題與發(fā)展趨勢。第2章主要介紹遙感影像分類中的機器學習方法，包括小距離分類法、大似然分類法、人工神經網絡分類法、決策樹分類法、K-均值算法及迭代自組織數(shù)據分析法。第3章主要介紹統(tǒng)計學習理論與支持向量機的原理、研究現(xiàn)狀、存在問題及發(fā)展方向。第4章主要介紹高光譜遙感影像的降維方法，包括遺傳算法、主成分分析與核主成分分析、線性判別分析與核線性判別分析、投影尋蹤、流形學習等。第5章采用改進粒子群優(yōu)化算法對高光譜影像數(shù)據進行波段選擇和SVM（支持向量機）參數(shù)優(yōu)化。第6章采用Kullback-Leibler散度構造支持向量機的核函數(shù)，并應用于多核集成框架的基分類器。第7章基于改進指數(shù)進行特征選擇，結合參數(shù)優(yōu)化后的SVM分類器對高光譜影像數(shù)據進行分類。第8章基于互信息和J-M距離（一種光譜可分性測度）提出兩階段特征選擇方法，并引入隨機化算法構建多核集成學習框架。在每章中都評估了分類器的各種參數(shù)對分類精度的影響。
鄂公網安備 42010302001612號 