地理研究
地理研究
지리연구
GEOGRAPHICAL RESEARCH
2008年
3期
493-501,图版2
,共10页
卓莉%郑璟%王芳%黎夏%艾彬%钱峻屏
卓莉%鄭璟%王芳%黎夏%艾彬%錢峻屏
탁리%정경%왕방%려하%애빈%전준병
特征选择%高光谱%遗传算法(GA)%支持向量机(SVM)
特徵選擇%高光譜%遺傳算法(GA)%支持嚮量機(SVM)
특정선택%고광보%유전산법(GA)%지지향량궤(SVM)
封装型的特征选择算法相对于过滤算法而言更有助于提高分类精度,因此在当前计算技术及效率快速发展的背景下必将成为未来之趋势.本文以支持向量机(SVM)为分类器,遗传算法(GA)为特征子集的搜索算法,构建了封装型的特征选择算法GA-SVM,并用ENVI/IDL语言编程实现,最后以HYPERION高光谱数据为例对算法予以应用.结果表明,GA-SVM算法可从196个波段中选择出13个波段,同时分类精度较不做特征选择时提高了约4%.由此可见,GA-SVM封装型特征选择算法具有较好的同时优化特征子集和SVM核函数的性能,可为当前高光谱数据的特征选择提供一个较好的算法.
封裝型的特徵選擇算法相對于過濾算法而言更有助于提高分類精度,因此在噹前計算技術及效率快速髮展的揹景下必將成為未來之趨勢.本文以支持嚮量機(SVM)為分類器,遺傳算法(GA)為特徵子集的搜索算法,構建瞭封裝型的特徵選擇算法GA-SVM,併用ENVI/IDL語言編程實現,最後以HYPERION高光譜數據為例對算法予以應用.結果錶明,GA-SVM算法可從196箇波段中選擇齣13箇波段,同時分類精度較不做特徵選擇時提高瞭約4%.由此可見,GA-SVM封裝型特徵選擇算法具有較好的同時優化特徵子集和SVM覈函數的性能,可為噹前高光譜數據的特徵選擇提供一箇較好的算法.
봉장형적특정선택산법상대우과려산법이언경유조우제고분류정도,인차재당전계산기술급효솔쾌속발전적배경하필장성위미래지추세.본문이지지향량궤(SVM)위분류기,유전산법(GA)위특정자집적수색산법,구건료봉장형적특정선택산법GA-SVM,병용ENVI/IDL어언편정실현,최후이HYPERION고광보수거위례대산법여이응용.결과표명,GA-SVM산법가종196개파단중선택출13개파단,동시분류정도교불주특정선택시제고료약4%.유차가견,GA-SVM봉장형특정선택산법구유교호적동시우화특정자집화SVM핵함수적성능,가위당전고광보수거적특정선택제공일개교호적산법.
