機器學習、智能計算與高光譜遙感影像分類應用研究

定　價：￥56.00

作　者：	亓呈明，胡立栓著
出版社：	中國財富出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥56.00)

ISBN：	9787504744340	出版時間：	2018-07-01	包裝：	平裝
開本：	16	頁數(shù)：	204	字數(shù)：

內容簡介

　　本書系統(tǒng)總結了作者近年來在高光譜遙感影像分類、機器學習、智能計算等方面的研究成果，在介紹高光譜遙感影像分類基礎知識、機器學習、智能計算等常用方法的基礎上，探討影響分類準確率的因素，重點對多核集成學習及粒子群等方法在高光譜遙感影像分類中的應用進行了深入探討。本書將作者研究過程與體會與大家分享，拋磚引玉，希望進一步促進遙感圖像的分析與理解水平，這也是本書撰寫的初衷。全書共分為8章。第1章主要介紹高光譜遙感的基本概念、高光譜遙感影像分類的基礎和原理、分類研究現(xiàn)狀、存在的問題與發(fā)展趨勢。第2章主要介紹遙感影像分類中的機器學習方法，包括小距離分類法、大似然分類法、人工神經(jīng)網(wǎng)絡分類法、決策樹分類法、K-均值算法及迭代自組織數(shù)據(jù)分析法。第3章主要介紹統(tǒng)計學習理論與支持向量機的原理、研究現(xiàn)狀、存在問題及發(fā)展方向。第4章主要介紹高光譜遙感影像的降維方法，包括遺傳算法、主成分分析與核主成分分析、線性判別分析與核線性判別分析、投影尋蹤、流形學習等。第5章采用改進粒子群優(yōu)化算法對高光譜影像數(shù)據(jù)進行波段選擇和SVM（支持向量機）參數(shù)優(yōu)化。第6章采用Kullback-Leibler散度構造支持向量機的核函數(shù)，并應用于多核集成框架的基分類器。第7章基于改進指數(shù)進行特征選擇，結合參數(shù)優(yōu)化后的SVM分類器對高光譜影像數(shù)據(jù)進行分類。第8章基于互信息和J-M距離（一種光譜可分性測度）提出兩階段特征選擇方法，并引入隨機化算法構建多核集成學習框架。在每章中都評估了分類器的各種參數(shù)對分類精度的影響。

作者簡介

　　亓呈明，計算機應用技術碩士，地理信息工程博士。主要研究方向為：機器學習、計算智能、統(tǒng)計學習、遙感圖像處理。發(fā)表30余篇國際檢索的研究論文，參與了相關研究項目10余項。胡立栓，計算機應用技術碩士，地理信息工程博士。主要研究方向為：機器學習、遙感信息處理、GIS技術應用、網(wǎng)格服務、分布式計算等。發(fā)表20篇研究論文，其中EI檢索8篇，參與了相關研究20余項。

圖書目錄

1高光譜遙感影像分類概述1
1.1高光譜遙感影像1
1.2高光譜遙感影像分類概述5
1.3遙感影像分類研究現(xiàn)狀9
1.4遙感影像分類存在的問題10
1.5本書試驗數(shù)據(jù)13
2遙感影像分類中的機器學習方法19
2.1機器學習分類方法20
2.2最小距離分類法22
2.3最大似然分類法23
2.4人工神經(jīng)網(wǎng)絡分類法24
2.5決策樹分類法29
2.6K-均值算法31
2.7迭代自組織數(shù)據(jù)分析法32
2.8實驗結果與分析34
2.9本章小結36
3統(tǒng)計學習理論與支持向量機40
3.1統(tǒng)計學習理論40
3.2最優(yōu)化理論45
3.3支持向量機49
3.4實驗結果與分析61
3.5本章小結62
4高光譜遙感影像的降維方法68
4.1高光譜遙感影像降維現(xiàn)狀68
4.2特征選擇與特征提取70
4.3遺傳算法80
4.4主成分分析與核主成分分析84
4.5線性判別分析與核線性判別分析89
4.6投影尋蹤法95
4.7流形學習98
4.8紋理特征提取103
4.9實驗結果與分析105
4.10本章小結114
5基于BPSO的高光譜影像特征選擇與分類117
5.1粒子群優(yōu)化算法117
5.2粒子群優(yōu)化算法在高光譜分類中的應用121
5.3實驗結果與分析125
5.4本章小結135
6基于Kullback-Leibler的多核集成分類137
6.1引言137
6.2集成機器學習139
6.3基于Kullback-Leibler核函數(shù)的多核集成框架144
6.4實驗結果與分析147
6.5參數(shù)分析155
6.6本章小結157
7基于改進最優(yōu)指數(shù)的特征選擇與分類165
7.1引言165
7.2支持向量機參數(shù)優(yōu)化方法166
7.3基于最優(yōu)指數(shù)的多核集成框架167
7.4實驗結果與分析169
7.5本章小結178
8基于互信息混合測度的特征選擇與分類181
8.1引言181
8.2兩階段波段選擇與多核集成框架182
8.3實驗結果與分析186
8.4本章小結193