首页--工业技术论文--自动化技术、计算机技术论文--遥感技术论文--遥感图像的解译、识别与处理论文--图像处理方法论文

基于SVM遥感图像分类的参数优化研究

摘要第1-7页
Abstract第7-12页
引言第12-14页
1 研究进展第14-21页
   ·研究背景与意义第14页
   ·支持向量机分类的研究进展第14-17页
   ·参数对 SVM 分类的影响第17页
   ·遗传算法和粒子群算法参数优化的研究进展第17-20页
     ·遗传算法参数优化研究现状第17-18页
     ·粒子群算法参数优化研究现状第18-20页
   ·本研究的主要工作第20-21页
2 支持向量机分类基本方法第21-32页
   ·支持向量机基本原理第21-25页
     ·支持向量机的理论基础第21-23页
     ·支持向量机的基本方法第23-25页
   ·非线性分类第25-28页
     ·松弛因子和惩罚因子第25-26页
     ·核函数和核参数第26-28页
   ·LibSVM 与交叉验证第28页
   ·LibSVM 主要参数的说明第28-32页
     ·LibSVM 使用的数据格式第29-30页
     ·svm_scale 的用法第30页
     ·svm_train 用法第30-31页
     ·svm_predict 用法第31-32页
3 遗传算法与粒子群算法第32-35页
   ·遗传算法基本原理第32-33页
     ·遗传算法概述第32页
     ·遗传算法主要特点第32-33页
   ·粒子群算法第33-35页
     ·粒子群算法概述第33-34页
     ·粒子群算法主要特点第34-35页
4 研究中 MATLAB 的应用第35-52页
   ·MATLAB 与图像处理第35页
   ·读写遥感图像第35-39页
   ·使用 LibSVM 分类器的方法第39-45页
     ·图像数据归一化第39-41页
     ·图像数据格式转换第41-43页
     ·样本集获取方法第43页
     ·svmtrain 函数训练分类模型第43-44页
     ·svmpredict 函数得到分类结果第44-45页
   ·实现遗传算法流程第45-49页
     ·SVM 参数的遗传算法寻优详细设计第45-47页
     ·初始种群参数设定第47页
     ·子代种群生成和适应性计算第47页
     ·选择、交换、变异示例函数第47-48页
     ·生成子代种群第48-49页
   ·实现粒子群算法流程第49-52页
     ·SVM 参数的粒子群算法寻优详细设计第49-50页
     ·产生初始粒子和速度第50-51页
     ·适应度计算和全局极值点和局部极值点第51-52页
5 试验设计第52-67页
   ·试验区概况第52页
   ·研究内容第52-53页
   ·技术流程第53-54页
   ·遥感图像预处理第54-60页
     ·数据获取第54-56页
     ·遥感图像大气校正第56-58页
     ·提取 NDVI第58-59页
     ·归一化和样本分类特征提取第59-60页
   ·基于 GA 参数寻优的遥感图像分类第60-62页
     ·读取特征信息第60页
     ·参数优化第60-61页
     ·获取 GA 寻优分类模型和图像分类第61-62页
   ·基于 PSO 参数寻优的遥感图像分类第62-64页
     ·读取特征信息第62页
     ·开始寻优并生成适应度变化曲线第62-63页
     ·获取 PSO 寻优分类模型和图像分类第63-64页
   ·研究区分类精度第64-67页
     ·分类检测地面真实数据第64-65页
     ·GA 算法参数寻优分类精度第65页
     ·PSO 算法参数寻优分类精度第65-67页
6 结论与讨论第67-73页
   ·结论第67-71页
     ·分类精度的比较第67-70页
     ·GA 和 PSO 寻优耗时特点第70-71页
     ·适应度变化特点第71页
   ·存在问题第71-73页
参考文献第73-76页
导师简介第76-77页
个人简介第77-78页
致谢第78-79页
附录第79-94页

论文共94页,点击 下载论文
上一篇:曲靖市城市湿地资源现状分析及保护利用规划研究
下一篇:城市化进程下居住环境的可持续设计--福建历史文化村镇规划