機器學(xué)習、智能計算與高光譜遙感影像分類(lèi)應用研究簡(jiǎn)介，目錄書(shū)摘

本書(shū)系統總結了作者近年來(lái)在高光譜遙感影像分類(lèi)、機器學(xué)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(lèi)基礎知識、機器學(xué)習、智能計算等常用方法的基礎上，探討影響分類(lèi)準確率的因素，重點(diǎn)對多核集成學(xué)習及粒子群等方法在高光譜遙感影像分類(lèi)中的應用進(jìn)行了深入探討。本書(shū)將作者研究過(guò)程與體會(huì )與大家分享，拋磚引玉，希望進(jìn)一步促進(jìn)遙感圖像的分析與理解水平，這也是本書(shū)撰寫(xiě)的初衷。

全書(shū)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(lèi)的基礎和原理、分類(lèi)研究現狀、存在的問(wèn)題與發(fā)展趨勢。第2章主要介紹遙感影像分類(lèi)中的機器學(xué)習方法，包括小距離分類(lèi)法、大似然分類(lèi)法、人工神經(jīng)網(wǎng)絡(luò )分類(lèi)法、決策樹(shù)分類(lèi)法、K-均值算法及迭代自組織數據分析法。第3章主要介紹統計學(xué)習理論與支持向量機的原理、研究現狀、存在問(wèn)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(xiàn)性判別分析與核線(xiàn)性判別分析、投影尋蹤、流形學(xué)習等。第5章采用改進(jìn)粒子群優(yōu)化算法對高光譜影像數據進(jìn)行波段選擇和SVM（支持向量機）參數優(yōu)化。第6章采用Kullback-Leibler散度構造支持向量機的核函數，并應用于多核集成框架的基分類(lèi)器。第7章基于改進(jìn)指數進(jìn)行特征選擇，結合參數優(yōu)化后的SVM分類(lèi)器對高光譜影像數據進(jìn)行分類(lèi)。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(xué)習框架。在每章中都評估了分類(lèi)器的各種參數對分類(lèi)精度的影響。

亓呈明，計算機應用技術(shù)碩士，地理信息工程博士。主要研究方向為：機器學(xué)習、計算智能、統計學(xué)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，計算機應用技術(shù)碩士，地理信息工程博士。主要研究方向為：機器學(xué)習、遙感信息處理、GIS技術(shù)應用、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。

1高光譜遙感影像分類(lèi)概述1

1.1高光譜遙感影像1

1.2高光譜遙感影像分類(lèi)概述5

1.3遙感影像分類(lèi)研究現狀9

1.4遙感影像分類(lèi)存在的問(wèn)題10

1.5本書(shū)試驗數據13

2遙感影像分類(lèi)中的機器學(xué)習方法19

2.1機器學(xué)習分類(lèi)方法20

2.2最小距離分類(lèi)法22

2.3最大似然分類(lèi)法23

2.4人工神經(jīng)網(wǎng)絡(luò )分類(lèi)法24

2.5決策樹(shù)分類(lèi)法29

2.6K-均值算法31

2.7迭代自組織數據分析法32

2.8實(shí)驗結果與分析34

2.9本章小結36

3統計學(xué)習理論與支持向量機40

3.1統計學(xué)習理論40

3.2最優(yōu)化理論45

3.3支持向量機49

3.4實(shí)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(xiàn)性判別分析與核線(xiàn)性判別分析89

4.6投影尋蹤法95

4.7流形學(xué)習98

4.8紋理特征提取103

4.9實(shí)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(lèi)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(lèi)中的應用121

5.3實(shí)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(lèi)137

6.1引言137

6.2集成機器學(xué)習139

6.3基于Kullback-Leibler核函數的多核集成框架144

6.4實(shí)驗結果與分析147

6.5參數分析155

6.6本章小結157

7基于改進(jìn)最優(yōu)指數的特征選擇與分類(lèi)165

7.1引言165

7.2支持向量機參數優(yōu)化方法166

7.3基于最優(yōu)指數的多核集成框架167

7.4實(shí)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(lèi)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(shí)驗結果與分析186

8.4本章小結193