-
公开(公告)号：CN104200217B
公开(公告)日：2017-05-24
申请号：CN201410386737.1
申请日：2014-08-07
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明提供的是基于一种复合核函数的高光谱分类方法。输入一幅高光谱图像，类别数为N；以支持向量机为基分类器，同时从所述高光谱图像每个类别中随机地选取s个样本组成训练集，剩余样本组成测试集，确定各参数的变化范围，然后结合K次交叉验证确定支持向量机的最优性能参数，包括惩罚因子和核参数；利用复合核构建策略，构造复合核函数，对支持向量机进行训练；利用训练过程得到的支持向量机判决函数的参数，循环N次，进而得到测试集属于每类别的判决函数值，组成矩阵确定多分类器策略，即找到矩阵每列的最大值。本发明具有可以更好的描述数据集的分布特征，且分类精度相对较高等特点。其参数优化所消耗的时间相对于传统多核学习方法也相对较短。
-
公开(公告)号：CN104200217A
公开(公告)日：2014-12-10
申请号：CN201410386737.1
申请日：2014-08-07
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明提供的是基于一种复合核函数的高光谱分类方法。输入一幅高光谱图像，类别数为N；以支持向量机为基分类器，同时从所述高光谱图像每个类别中随机地选取s个样本组成训练集，剩余样本组成测试集，确定各参数的变化范围，然后结合K次交叉验证确定支持向量机的最优性能参数，包括惩罚因子和核参数；利用复合核构建策略，构造复合核函数，对支持向量机进行训练；利用训练过程得到的支持向量机判决函数的参数，循环N次，进而得到测试集属于每类别的判决函数值，组成矩阵确定多分类器策略，即找到矩阵每列的最大值。本发明具有可以更好的描述数据集的分布特征，且分类精度相对较高等特点。其参数优化所消耗的时间相对于传统多核学习方法也相对较短。
-
公开(公告)号：CN103903007A
公开(公告)日：2014-07-02
申请号：CN201410083791.9
申请日：2014-03-10
Applicant: 哈尔滨工程大学
Abstract: 本发明属于遥感信息处理技术领域，具体涉及一种基于空-谱信息的高光谱半监督分类方法。本发明包括：参数设置；空-谱信息提取；分类过程；半监督分类无标签样本的选取。本发明将空间信息与光谱信息相结合可以有效地有监督分类方法的性能，随无标签训练样本数的增多本文所提方法性能提升，这是因为当无标签样本增多时，其提供了更多的空间分布信息，使得分类器做出更好的预测。
-
公开(公告)号：CN103903007B
公开(公告)日：2017-02-22
申请号：CN201410083791.9
申请日：2014-03-10
Applicant: 哈尔滨工程大学
Abstract: 本发明属于遥感信息处理技术领域，具体涉及一种基于空-谱信息的高光谱半监督分类方法。本发明包括：参数设置；空-谱信息提取；分类过程；半监督分类无标签样本的选取。本发明将空间信息与光谱信息相结合可以有效地有监督分类方法的性能，随无标签训练样本数的增多本文所提方法性能提升，这是因为当无标签样本增多时，其提供了更多的空间分布信息，使得分类器做出更好的预测。
-
-
-
Search Results
4
records
(took 0.017 seconds)
