|
|
题目：
雅宝题库答案：
****此区域为收费内容**** 需支付 1 知识币后可查看，1币=0.01元查看答案
雅宝题库解析：
高光谱成像仪记录观测区域不同波长处连续多个波段的影像，能够发现宽波段遥感无法探测的物质。高光谱影像光谱分辨率高，分类算法的设计遇到新的题目，主要表现为以下两方面：①受Hughes效应影响，训练样本有限时，传统分类器在高维空间中建模精度不足；②高光谱影像数据量大，算法逻辑复杂，处理系统计算效率低、实时性差。针对上述两方面题目，论文将统计模式识别和机器学习的最新研究成果应用于高光谱影像，解决分类题目中的小样本学习题目，并使用并行计算技术提高算法效率。通过上述研究，设计高精度、高效率的高光谱影像监督分类算法，论文主要研究内容如下：1. 从特征提取和低复杂度分类器两方面研究小样本学习的起因和解决方法，使用三套特性各异的数据全面比较多种典型算法，包括判别分析特征提取（Discriminant Analysis Feature Extraction, DAFE）、非参数权重特征提取（Nonparametric Weighted Feature Extraction, NWFE）、最小欧氏距离（Minimum Euclidean Distance, MED）、高斯极大似然（Gaussian Maximum Likelihood, GML）、K近邻（K-nearest Neighbors, KNN）、径向基函数神经网络（Radial Basis Functions Neural Network, RBFNN）和支持向量机（Support Vector Machine, SVM）。实验结果表明：DAFE参数估计精度低，有效特征数受类别数限制；NWFE与GML的组合效果最佳，但均值估计误差大，对MED无效；对易分类题目，各方法性能近似，SVM解决难分题目的能力优于其它方法；各方法精度随样本规模变化规律相同，训练样本越少，分类精度越低，都受不同程度Hughes效应的影响；SVM和RBFNN参数多、优化过程繁琐，RBFNN倾向于大规模网络，训练速度慢、且易出现过学习现象。2. 使用监督局部线性嵌入（Supervised Locally Linear Embedding, SLLE）实现高光谱影像特征提取，解决高光谱影像分类的小样本学习题目，首次全面归纳、比较了SLLE的十种实现方法，并针对测试样本映射的缺陷提出改进算法。局部线性嵌入（Locally Linear Embedding, LLE）通过局部线性关系保持数据的全局非线性结构，能够发现数据的低维本征空间，优于DAFE等线性特征提取算法。LLE未使用训练样本信息，提取的特征对分类未必有效，根据训练样本距离矩阵修正算法（Regularized Method, regMeth）与测试样本低维映射求解算法（Mapping Method, mapMeth）的差异，研究了SLLE的十种实现方法。实验结果表明，三种regMeth方法性能接近，mapMeth中线性归纳法2（Linear Generalization 2, LG2）性能最优。LG2算法中，测试样本近邻点搜索的效果受高维空间中KNN分类精度限制，因此采用NWFE作为预处理手段，提高测试样本的映射精度。改进后，SLLE提取的低维特征空间中分类精度显著提高，且优于线性高光谱特征提取算法。3. 使用关联向量机（Relevance Vector Machine, RVM）解决高光谱影像分类的小样本学习题目，比较四种多类RVM算法，并提出基于遗传算法（Genetic Algorithm, GA）的改进算法GA-RVM，搜索面向RVM的最优参数和特征子空间。RVM以稀疏贝叶斯学习为理论基础，受Hughes效应影响小，可直接在高维空间分类。RVM为二分类器，可通过一对一（One Against One, OAO）、一对多（One Against All, OAA）、二元Logistic回归（Binary Logistic Regression, BLR）和多元Logistic回归（Multinomial Logistic Regression, MLR）实现多分类，实验结果表明BLR和MLR效率低，实际应用中不可取；OAA精度最佳，但训练样本过多时效率较低；OAO效率最高，当训练样本较多时优先选择。通过与SVM等比较发现，RVM解更稀疏、预测时间短，适合于大场景高光谱影像分类。针对交叉验证方法搜索最优参数过程繁琐，以及高光谱影像波段间冗余信息量大的题目，使用GA搜索面向RVM的最优参数和特征子空间，提高分类精度，实验结果验证了GA-RVM算法的有效性。4. 使用并行计算技术优化高光谱影像处理算法、提高分类效率，首先归纳高光谱影像处理算法并行化设计准则，进而提出LLE和RVM的并行优化方法。结合高斯马尔可夫随机场、几何校正和非负矩阵分解三种典型算法，研究空域分解、谱域分解和计算分解并行模式，使用并行I/O技术解决并行几何校正算法数据访问量大的题目，并通过修改算法逻辑消除并行非负矩阵分解算法的网络开销，上述内容涵盖了高光谱算法并行化设计的主要题目。针对RVM运算特点，提出两种计算分解型并行RVM算法PRVM-MultiClass和PRVM-Ensemble，分别从多分类方法的计算流程和组合分类的角度将RVM分解为多个独立的运算单元，实验结果表明两种并行算法均能提高RVM的分类效率。 |
上一篇：一种双层匹配的Web服务发现研究与实现下一篇：叶尖泄漏流损失模型探索
|
发表于 2024-2-19 12:50:44
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
QQ登录
