计算机科学
計算機科學
계산궤과학
COMPUTER SCIENCE
2013年
7期
206-210
,共5页
刘颖%张柏%王爱莲%桑娟%何咏梅
劉穎%張柏%王愛蓮%桑娟%何詠梅
류영%장백%왕애련%상연%하영매
支持向量机%半监督学习%集成学习%Gustafson-kessel模糊聚类%土地覆盖%分类
支持嚮量機%半鑑督學習%集成學習%Gustafson-kessel模糊聚類%土地覆蓋%分類
지지향량궤%반감독학습%집성학습%Gustafson-kessel모호취류%토지복개%분류
Support vector machines%Semisupervised learning%Ensemble learning%Gustafson-kessel fuzzy clustering%Land cover%Classification
目前,支持向量机技术(SVM)在遥感信息获取中普遍受到参数选择不准确和小样本问题的制约.针对这些问题,提出一种新的半监督集成SVM(EPS3VM)分类模型.模型一方面利用自适应变异粒子群优化算法对SVM参数寻优以提高基分类器精度(PSVM)；另一方面采用自训练算法(Self-training),充分利用大量廉价的未标记样本产生性能差异的半监督分类器个体(PS3VM),其中,在未标记样本标注过程中,引入模糊聚类算法(Gustafson-kessel)来控制错误类别的输入,最后对个体分类器采用加权集成策略,以进一步提高分类模型的泛化能力.为了测试其性能,应用该模型进行多光谱遥感影像的土地覆盖分类实验,并与PSVM、PS3VM进行对比,分类精度从PSVM的88.48％提高到96.88％,Kappa系数由0.8546提高到0.9606.结果表明,EPS3VM在克服传统SVM参数选择不准确的同时,有效地应对了小样本问题,分类性能更优.
目前,支持嚮量機技術(SVM)在遙感信息穫取中普遍受到參數選擇不準確和小樣本問題的製約.針對這些問題,提齣一種新的半鑑督集成SVM(EPS3VM)分類模型.模型一方麵利用自適應變異粒子群優化算法對SVM參數尋優以提高基分類器精度(PSVM)；另一方麵採用自訓練算法(Self-training),充分利用大量廉價的未標記樣本產生性能差異的半鑑督分類器箇體(PS3VM),其中,在未標記樣本標註過程中,引入模糊聚類算法(Gustafson-kessel)來控製錯誤類彆的輸入,最後對箇體分類器採用加權集成策略,以進一步提高分類模型的汎化能力.為瞭測試其性能,應用該模型進行多光譜遙感影像的土地覆蓋分類實驗,併與PSVM、PS3VM進行對比,分類精度從PSVM的88.48％提高到96.88％,Kappa繫數由0.8546提高到0.9606.結果錶明,EPS3VM在剋服傳統SVM參數選擇不準確的同時,有效地應對瞭小樣本問題,分類性能更優.
목전,지지향량궤기술(SVM)재요감신식획취중보편수도삼수선택불준학화소양본문제적제약.침대저사문제,제출일충신적반감독집성SVM(EPS3VM)분류모형.모형일방면이용자괄응변이입자군우화산법대SVM삼수심우이제고기분류기정도(PSVM)；령일방면채용자훈련산법(Self-training),충분이용대량렴개적미표기양본산생성능차이적반감독분류기개체(PS3VM),기중,재미표기양본표주과정중,인입모호취류산법(Gustafson-kessel)래공제착오유별적수입,최후대개체분류기채용가권집성책략,이진일보제고분류모형적범화능력.위료측시기성능,응용해모형진행다광보요감영상적토지복개분류실험,병여PSVM、PS3VM진행대비,분류정도종PSVM적88.48％제고도96.88％,Kappa계수유0.8546제고도0.9606.결과표명,EPS3VM재극복전통SVM삼수선택불준학적동시,유효지응대료소양본문제,분류성능경우.
