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 |