旋转森林与极限学习相结合的遥感影像分类方法

摘要：

针对旋转森林算法(rotation forest,RF)处理遥感影像分类时容易出现过拟合现象,以及极限学习算法(extreme learning machine,ELM)泛化性能较差问题,提出一种将旋转森林与极限学习相结合(RF-ELM)的影像分类算法.该方法首先用旋转森林算法对基分类器进行训练,然后利用极限学习算法作为基分类器解决旋转森林中存在的过拟合问题.通过利用Landsat-8遥感影像分别对比RF、ELM、Bag-ELM和RF-ELM进行分类实验.结果 表明,所提出的集成方法比RF、ELM单一算法具有更高的分类精度,相比Bag-ELM具有更高泛化能力,有效改善了分类过拟合现象,计算效率也继承了ELM快速运算的特点.

关键词：旋转森林、极限学习、算法互补性、集成分类器、影像分类

所属期刊栏目：34

分类号：TP751(遥感技术)

资助基金：国家自然科学基金51774250;四川省科技创新苗子工程2017104

在线出版日期：2019-08-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：93-98