基于遥感数据的单类分类器比较与改进研究的中期报告.docxVIP

基于遥感数据的单类分类器比较与改进研究的中期报告 本文介绍了基于遥感数据的单类分类器比较与改进研究的中期报告。该研究旨在比较几种常见的单类分类器，包括支持向量机（SVM）和随机森林（RF）等，以及尝试改进这些分类器的性能，特别是在处理高维数据时的性能。 本研究使用了一些用于遥感数据分类的经典数据集，包括Indian Pines、Pavia University和Salinas等。通过对这些数据集进行实验，我们发现使用非线性核函数的SVM能够比线性SVM更好地处理遥感数据，并且与RF等其他分类器在分类性能上相当。此外，我们还尝试了一种基于特征选择和模型融合的方法来提高分类器性能。该方法使用随机森林和逻辑回归分类器作为基分类器，并结合L1正则化和交叉验证选择重要的特征。结果表明，该方法在处理高维数据时可以取得较高的分类性能。 总体来说，我们的研究结果表明，SVM和RF等单类分类器在处理遥感数据分类问题上表现良好，而选择合适的特征和使用模型融合等改进方法可以显著提高分类性能。未来我们将继续优化这些方法，并探索更多的遥感数据分类问题。