一种基于半监督集成SVM的土地覆盖分类模型

摘要：

目前,支持向量机技术(SVM)在遥感信息获取中普遍受到参数选择不准确和小样本问题的制约.针对这些问题,提出一种新的半监督集成SVM(EPS3VM)分类模型.模型一方面利用自适应变异粒子群优化算法对SVM参数寻优以提高基分类器精度(PSVM)；另一方面采用自训练算法(Self-training),充分利用大量廉价的未标记样本产生性能差异的半监督分类器个体(PS3VM),其中,在未标记样本标注过程中,引入模糊聚类算法(Gustafson-kessel)来控制错误类别的输入,最后对个体分类器采用加权集成策略,以进一步提高分类模型的泛化能力.为了测试其性能,应用该模型进行多光谱遥感影像的土地覆盖分类实验,并与PSVM、PS3VM进行对比,分类精度从PSVM的88.48％提高到96.88％,Kappa系数由0.8546提高到0.9606.结果表明,EPS3VM在克服传统SVM参数选择不准确的同时,有效地应对了小样本问题,分类性能更优.

关键词：支持向量机、半监督学习、集成学习、Gustafson-kessel模糊聚类、土地覆盖、分类

所属期刊栏目：40

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家重点基础研究发展计划973计划课题2009CB421103;中国科学院重点部署项目课题KZZD-EW-08-02;吉林省科技发展计划项目20130522177JH

在线出版日期：2013-10-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：206-210