本书系统总结了作者近年来在高光谱遥感影像分类、机器学习、智能计算等方面的研究成果，在介绍高光谱遥感影像分类基础知识、机器学习、智能计算等常用方法的基础上，探讨影响分类准确率的因素，重点对多核集成学习及粒子群等方法在高光谱遥感影像分类中的应用进行了深入探讨。本书将作者研究过程与体会与大家分享，抛砖引玉，希望进一步促进遥感图像的分析与理解水平，这也是本书撰写的初衷。 全书共分为8章。第1章主要介绍高光谱遥感的基本概念、高光谱遥感影像分类的基础和原理、分类研究现状、存在的问题与发展趋势。第2章主要介绍遥感影像分类中的机器学习方法，包括小距离分类法、大似然分类法、人工神经网络分类法、决策树分类法、K-均值算法及迭代自组织数据分析法。第3章主要介绍统计学习理论与支持向量机的原理、研究现状、存在问题及发展方向。第4章主要介绍高光谱遥感影像的降维方法，包括遗传算法、主成分分析与核主成分分析、线性判别分析与核线性判别分析、投影寻踪、流形学习等。第5章采用改进粒子群优化算法对高光谱影像数据进行波段选择和SVM（支持向量机）参数优化。第6章采用Kullback-Leibler散度构造支持向量机的核函数，并应用于多核集成框架的基分类器。第7章基于改进指数进行特征选择，结合参数优化后的SVM分类器对高光谱影像数据进行分类。第8章基于互信息和J-M距离（一种光谱可分性测度）提出两阶段特征选择方法，并引入随机化算法构建多核集成学习框架。在每章中都评估了分类器的各种参数对分类精度的影响。
鄂公网安备 42010302001612号 