计算机应用研究
計算機應用研究
계산궤응용연구
APPLICATION RESEARCH OF COMPUTERS
2007年
11期
318-320
,共3页
居红云%张俊本%李朝峰%王正友
居紅雲%張俊本%李朝峰%王正友
거홍운%장준본%리조봉%왕정우
K-means%支持向量机%遥感图像分类
K-means%支持嚮量機%遙感圖像分類
K-means%지지향량궤%요감도상분류
遥感图像分类方法通常采用监督的学习算法,它需要人工选取训练样本,比较繁琐,而且有时很难得到;而非监督学习算法的分类精度通常很难令人满意.针对这些缺陷,提出一种基于K-means与支持向量机(SVM)结合的遥感图像全自动分类方法.首先使用K-means聚类算法对样本进行初始聚类,根据每类中样本数及其稀疏程度选取一些点作为标记的学习样本训练SVM分类器,然后用SVM对原始数据重新分类.Iris数据和遥感数据的实验结果均验证了新方法的有效性.
遙感圖像分類方法通常採用鑑督的學習算法,它需要人工選取訓練樣本,比較繁瑣,而且有時很難得到;而非鑑督學習算法的分類精度通常很難令人滿意.針對這些缺陷,提齣一種基于K-means與支持嚮量機(SVM)結閤的遙感圖像全自動分類方法.首先使用K-means聚類算法對樣本進行初始聚類,根據每類中樣本數及其稀疏程度選取一些點作為標記的學習樣本訓練SVM分類器,然後用SVM對原始數據重新分類.Iris數據和遙感數據的實驗結果均驗證瞭新方法的有效性.
요감도상분류방법통상채용감독적학습산법,타수요인공선취훈련양본,비교번쇄,이차유시흔난득도;이비감독학습산법적분류정도통상흔난령인만의.침대저사결함,제출일충기우K-means여지지향량궤(SVM)결합적요감도상전자동분류방법.수선사용K-means취류산법대양본진행초시취류,근거매류중양본수급기희소정도선취일사점작위표기적학습양본훈련SVM분류기,연후용SVM대원시수거중신분류.Iris수거화요감수거적실험결과균험증료신방법적유효성.
