一种改进的距离函数在半监督学习线性邻域标签传播中的应用.docxVIP

一种改进的距离函数在半监督学习线性邻域标签传播中的应用

1基于图的半监督学习方法

高光谱遥感是一种先进的光谱科学和技术方法。它具有光谱综合的特点。代表地物性质的光谱与确定地物空间的图像相结合，能够获得丰富的光谱和空间信息。传统的多光谱遥感技术中不认识的地物可以识别高光谱中的东西。因此,高光谱遥感可以获取地物丰富的细节信息,鉴别地物间微小的差别,凭借其对地物属性的准确描述成功应用于地物的精细分类。常用的高光谱分类算法有最大似然分类、神经网络分类、支持向量机等。这些算法都属于有监督分类方法,需要足够数量的标记样本,但是针对高光谱图像获取类别标记数据,是一项耗时耗力、成本高昂的工作。

针对上述问题,许多仅利用少量标记样本的半监督学习方法被提出,主要有Generativeu3000Model、Self-training、Co-training、Lowu3000DensitySeparation和基于图的半监督学习方法[18,19,20,21,22,23]。在这些方法中,基于图的半监督学习方法与其他方法相比,更加直观、具有良好的分类性能,因此学术界进行了广泛的研究。基于图的半监督方法,首先构造一个图G=〈V,E〉,其中顶点集V由标记样本和未标记样本组成,边E表示样本间的相似性,然后在图中通过成对样本间的相似性,将标记从有标记样本传播到未标记样本。

尽管图的构造是基于图的半监督学习的核