基于独立分量分析和相关向量机的高光谱数据分类.docVIP

基于独立分量分析和相关向量机的高光谱数据分类 　　摘 要:提出一种独立分量分析(ICA)和相关向量机(RVM)相结合的高光谱数据分类方法,首先采用虚拟维数方法对高光谱数据维数进行估计,在此基础上,采用独立分量分析对数据进行降维,然后采用相关向量机对降维后的数据分类。计算机仿真实验结果表明,该方法在获得较高分类精度的同时大大节省了分类时间。 　　关键词:高光谱数据分类; 虚拟维数; 独立分量分析; 相关向量机 　　中图分类号:TP18 文献标识码:A 　　文章编号:1004-373X(2010)13-0123-04 　　 　　Classification for Hyperspectral Data Based on Independent Component 　　Analysis and Relevance Vector Machine 　　YIN Yue-meng,FENG Yan,LIU Meng-meng 　　(School of Electronics and Information, Northwestern Polytechnical University, Xi’an 710072, China) 　　Abstract: A hyperspectral data classification method of combining the independent component analysis(ICA) and relevance vector machine(RVM) is put forward. A method named virtual dimension(VD) is introduced to estimate the dimension of hyperspectral data. On this basis, ICA is used to reduce the dimension, and then RVM is used to classify the data whose dimension has been reduced. The computer simulation results show that the method achieves a high accuracy classification and greatly reduce the classification time. 　　Keywords: hyperspectral data classification; virtual dimension; independent component analysis; relevance vector machine 　　 　　0 引 言 　　高光谱遥感数据一般包含几十个甚至几百个波段,为研究人员提供了关于地物更细致的光谱信息,但同时给遥感数据的处理、存储和传输带来过重负担,因此利用其波段间存在大量冗余的特点对其进行降维是十分必要的。 　　降维的主要方法有主成分分析(Principal Components Analysis,PCA)和独立分量分析(Independent Component Analysis,ICA)。前者是把高光谱数据的方差和信噪比作为测量数据二阶统计特性的标准,采用计算特征值累积的方法确定它们占总能量的百分比以决定维数。这个过程存在的问题就是一些小目标对SNR或者主分量贡献甚微,但却对图像理解有至关重要的影响。ICA是利用统计独立作为目标来分离独立分量的信号分解技术,有利于小目标、小类别信息的保留,并且独立分量与高光谱数据中存在的特征是有联系的[1]。与PCA相比,ICA利用了观测数据的高阶统计信息,可以保护二阶统计量降维容易丢失的数据特征,从而更有利于高光谱数据的分析处理[2]。A.Hyvarinen和E.Oja提出了独立分量分析的基于固定点算法(Fixed-point)的FastICA算法[3],FastICA算法的目标函数是基于非高斯性度量的负熵或者峰度,每次只提取一个分量,使得算法的计算效率大为提高,是ICA的?┮恢知?快速算法。 　　在机器学习领域,支持向量机(Support Vector Machine,SVM)在解决分类及在线学习等方面取得了很大突破,Farid Melgani运用SVM实现了高光谱数据的分类,并提出了4种多类数据分类方法[4],Smits G F提出了混合核函数应用在支持向量机中,使其性能大大提高[5],鹿晓亮等对传统的支持向量机方法进行改进,克服了“不可分区域”的影响[6]。但是SVM仍具有明显缺陷,如SVM必须估计边缘惩罚参数??C、非敏感参数ε、?Ш瞬问?,这通常要求交叉验证