一种用于高光谱遥感影像分类的改进多类支持向量机.pdf

2007 . 5 　　　　　　　　　　　　　　　　　　　　　理论研究　　　　　　　　　　　　　　　　　　　　遥感信息 一种用于高光谱遥感影像分类的 改进多类支持向量机 于宁锋 , 杨化超 ( 中国矿业大学环境与测绘学院 , 江苏徐州 22 1008) ( ) ( ) 摘要 :将支持向量机 SV M 用于高光谱遥感影像分类的研究 ,采用决策边界特征提取 DB F E 算法对高光谱 ( ) 影像进行维数约简 , 以径向基函数 RB F 作为 SV M 模型的核函数 ,把混沌优化搜索技术引入到 PSO 算法中, 以 基本 PSO 算法为主体流程 ,对种群中最好的粒子进行给定步数的混沌优化搜索 , 以改进基本 PSO 算法进化后期 ( ) 收敛速度慢 、易陷入局部极小值的缺陷。利用改进的混合粒子群优化算法 PSO 来实现 SV M 模型参数的自动选 ( ) 择 ,继而构建了一种参数最优的粒子群优化支持向量机 PSOSV M 多类分类模型 。选用 220 波段的 AV IRIS 高 ( ) 光谱遥感影像进行了分类试验 。结果表明,与采用基于留一法 L OO 网格搜索策略的传统 SV M 相比,改进后的 PSOSV M 算法可以提高分类精度约 8 . 8 % 。该方法对于小样本 、非均衡条件下的遥感影像数据分类非常有效 。 关键词 :高光谱遥感 ;粒子群优化 ;支持向量机 ;特征提取 ; SV M 中图分类号 : TP75 1 　　文献标识码 : A 　　文章编号 : 1000 - 3 177 (2007) 93 - 0007 - 05 ( 　　 粒 子 群 优 化 Particle Swar m Op timization , P SO) 算法是 Kennedy 和 Eber hart [ 11～12 ] 于 1995 年 1 　引　言 提出的一种全局最优进化算法 , 同遗传算法和蚁群 ( ) 支持向量机 Supp ort V ector Machine , SV M 算法相比,P SO 算法在计算性能和耗费内存上有较 方法近年来得到了广泛和深入的研究并成功应用于 大的优势 ,而且与大多数进化算法不同的是 , P SO 遥感影像的分类领域 [ 1～4 ] 。SV M 的分类性能依赖 算法是通过个体间的协作而不是通过适者生存来搜 于 SV M 分类模型的选择 。然而对于参数模型的选 寻最优解 , P SO 算法中个体都有记忆 ,这在其他的 择 目前仍然没有很好的通用解决方法 。常采