SVM分类法参数优化研究.docVIP

SVM分类法参数优化研究 　　摘要： ENVI中的SVM监督分类方法有四种核函数，通过选取不同的核函数及调整各核函数的参数可对分类精度造成影响。本文通过对同景黄河口湿地高光谱CHRIS影像进行分类的实验，尝试寻找并确定“最优”参数，同时横向比较各不同核函数对分类结果的影响，以进一步提高分类精度。 　　Abstract： SVM supervised classification method in the ENVI has four kernel functions， and electing a different kernel function and adjusting the parameters of the kernel functions can have an impact on the classification accuracy. Based on the experiments of classification of hyper spectral CHRIS images of Tongjing Yellow River estuary wetland， this paper tries to find and determine the optimal parameter， and also horizontally compares the impact of different kernel functions on the classification results， to further improve the accuracy of classification. 　　关键词： 遥感；高光谱；SVM；核函数；参数 　　Key words： remote sensing；hyper spectral；SVM；kernel parameter；parameters 　　中图分类号：P627 文献标识码：A 文章编号：1006-4311（2015）01-0203-03 　　0 引言 　　在高光谱遥感地物判别研究领域中，支持向量机监督分类法（SVM）是一种常用且效果较优的手段。ENVI中的SVM模块基于4种核函数，同时，每个核函数下又对应若干函数的参数。在具体的应用过程中，可以选择不同的核函数及其对应参数来影响分类精度。 　　本文通过实验来尝试确定一组“最优”参数，以期进一步提高分类精度，并比较各不同核函数对分类精度的影响效果。所用实验数据为2012年6月1日获取的同景黄河口湿地保护区PROBA① CHRIS影像，传感器工作模式为模式2，视角为0°（国家海洋局第一海洋研究所）。 　　1 SVM分类方法 　　支持向量机（Support Vector Machine）分类法：于1995年由Vapnik领导的ATTBell实验室研究小组所提出[1]。结构风险理论、二次优化理论、核空间理论是SVM方法的三大基础理论。它提供了一个与问题维数无关的函数复杂性的有意义刻画，用事先定义的非线性变换函数集，把向量映射到高维特征空间中，按照支撑向量与决策曲面的空隙极大化的原则来产生最优超平面，然后再把高维特征空间的线性决策边界映射到输入空间的非线性决策边界。 　　SVM分类方法具有如下几个特征： 　　①SVM学习问题可以表示为凸优化问题，因此可以利用已知的有效算法发现目标函数的全局最小值。而其他分类方法（如基于规则的分类器和人工神经网络）都采用一种基于贪心学习的策略来搜索假设空间，这种方法一般只能获得局部最优解。 　　②SVM通过最大化决策边界的边缘来控制模型的能力。尽管如此，用户必须提供其他参数，如使用核函数类型和引入松弛变量等。 　　③通过对数据中每个分类属性引入一个哑变量，SVM可以应用与分类数据。 　　④SVM一般只能用在二类问题，对于多类问题效果不好。 　　具体到ENVI中，SVM方法具有4种核函数，分别为Linear、Polynomial、Radial basis function和Sigmoid。每一种核函数又具有若干参数。核函数与参数的对应关系如图1。 　　2 应用试验 　　本次研究以hanganng由18个波段组成的黄河河口湿地高光谱影像作为数据源即原始的遥感图像，经过校正后以波段16、8、4模拟真彩色图像合成RGB进行显示，根据图像的光谱特征，通过结合人工判读与实地踏勘将影像中的地物分6类：碱蓬、柽柳、芦苇、潮滩、黄河水体和清澈水体。然后通过绘制矩形感兴趣区（ROI）进行样本的选取，每类地物的感兴趣区均用不同颜色加以区别（如图2）。 　　在相同ROI选取的前提下，通过选取SVM分类方法中不同的核函数，并调整其对应参数对该景影像进行分类，并记录结果。