一种用于高光谱遥感影像分类的改进多类支持向量机

摘要：

将支持向量机(SVM)用于高光谱遥感影像分类的研究,采用决策边界特征提取(DBFE)算法对高光谱影像进行维数约简,以径向基函数(RBF)作为SVM模型的核函数,把混沌优化搜索技术引入到PSO算法中,以基本PSO算法为主体流程,对种群中最好的粒子进行给定步数的混沌优化搜索,以改进基本PSO算法进化后期收敛速度慢、易陷入局部极小值的缺陷.利用改进的混合粒子群优化算法(PSO)来实现SVM模型参数的自动选择,继而构建了一种参数最优的粒子群优化支持向量机(PSO-SVM)多类分类模型.选用220波段的AVIRIS高光谱遥感影像进行了分类试验.结果表明,与采用基于留一法(LOO)网格搜索策略的传统SVM相比,改进后的PSO-SVM算法可以提高分类精度约8.8%.该方法对于小样本、非均衡条件下的遥感影像数据分类非常有效.

关键词：高光谱遥感、粒子群优化、支持向量机、特征提取、SVM

分类号：TP751(遥感技术)

资助基金：国家自然科学基金40401038

在线出版日期：2008-01-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：7-11