機器學習、智能計算與高光譜遙感影像分類應(yīng)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(nèi)容簡介

　　本書系統(tǒng)總結(jié)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(chǔ)知識、機器學習、智能計算等常用方法的基礎(chǔ)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(yīng)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(chǔ)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(luò)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(gòu)造支持向量機的核函數(shù)，并應(yīng)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(jié)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(gòu)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(yīng)用技術(shù)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(guān)研究項目10余項。胡立栓，計算機應(yīng)用技術(shù)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(shù)應(yīng)用、網(wǎng)格服務(wù)、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(guān)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(luò)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(jié)果與分析34
2.9本章小結(jié)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(jié)果與分析61
3.5本章小結(jié)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(jié)果與分析105
4.10本章小結(jié)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(yīng)用121
5.3實驗結(jié)果與分析125
5.4本章小結(jié)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(jié)果與分析147
6.5參數(shù)分析155
6.6本章小結(jié)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(jié)果與分析169
7.5本章小結(jié)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(jié)果與分析186
8.4本章小結(jié)193