学位论文 > 优秀研究生学位论文题录展示

高光谱数据半监督波段选择研究

作　者: 吕智强
导　师: 黄睿
学　校: 上海大学
专　业: 通信与信息系统
关键词: 高光谱数据分类波段选择半监督学习图Laplacian 样本选择
分类号: TP79
类　型: 硕士论文
年　份: 2013年
下　载: 1次
引　用: 0次
阅　读: 论文下载

内容摘要

高光谱遥感可以获取地物从可见到近红光谱范围的连续光谱特性曲线，是重要的遥感信息获取方式。然而，高光谱数据呈现出的显著的高维和海量特点，也给后续数据处理分析带来挑战。通过波段选择对高维数据进行降维已成为高光谱数据分析重要的预处理手段。目前，多数的波段选择算法仅利用了标记样本信息，当标记样本非常有限时生成的波段子集性能不佳。半监督波段选择同时利用了标记样本提供的先验信息和未标记样本隐含的类别信息，是解决标记样本有限情况下降维问题的有效手段。在这种背景下，本文对高光谱数据半监督波段选择展开研究。主要的研究内容如下：（1）对波段选择和半监督学习理论进行系统介绍，总结多种半监督特征选择算法的优缺点。（2）提出一种基于图的Laplacian和自训练策略的半监督波段选择的方法GST_FS。该方法首先定义半监督特征评分准则以产生初始波段子集，接着在该子集基础上进行分类，通过自训练迭代，将部分可信度较高的非标记样本扩展至标记样本集合，再用特征评分准则对波段子集进行更新。重复该过程，获得最终波段子集。高光谱数据波段选择和分类实验对GST_FS和多种监督、半监督和非监督方法的性能进行了比较，结果表明GST_FS能选择出性能更好的波段子集，优势明显。（3）针对基于图的学习方法在构建图时运算量大的问题，提出一种基于样本约简的半监督波段选择方法。方法首先采用主成分分析进行高光谱数据降维，接着利用分水岭算法对降维后图像实现预分类，并从各聚类中按比例随机抽取未标记样本。最后将抽取的未标记样本用于算法GST_FS中图的构建，完成半监督波段选择。高光谱数据的波段选择和分类实验表明，该样本约简方法优于基于简单随机抽样的样本选择。方法能选出有代表性的未标记样本，与基于图的波段选择方法结合，不但能降低算法运算量，也能使其性能得到一定程度的提升。

全文目录

摘要  6-7
ABSTRACT  7-11
第一章绪论  11-17
  1.1 研究背景和意义  11-13
  1.2 国内外研究概况  13-15
  1.3 论文框架结构  15-17
第二章半监督学习与特征选择  17-25
  2.1 半监督学习  17-19
  2.2 半监督特征选择  19-24
    2.2.1 基于自训练的前向式半监督特征选择  19-20
    2.2.2 基于谱图的半监督波段选择  20-24
  2.3 本章小结  24-25
第三章基于图和自训练策略的半监督波段选择  25-37
  3.1 自训练策略  25-26
  3.2 基于图 Laplacian 和自训练策略的半监督波段选择  26-30
    3.2.1 适用于迭代的半监督特征评分准则  26-27
    3.2.2 冗余与次要波段移除  27-28
    3.2.3 基于自训练策略的波段选择  28-30
  3.3 实验结果与分析  30-35
    3.3.1 不同波段选择方法的性能比较  32-33
    3.3.2 标记样本对波段子集的影响  33-34
    3.3.3 未标记样本数对波段子集的影响  34-35
  3.4 本章小结  35-37
第四章基于样本约简的半监督波段选择  37-47
  4.1 样本选择的方法及评价准则  37-39
  4.2 基于分水岭的未标记样本选择方法  39-42
    4.2.1 PCA 降维  39-40
    4.2.2 基于分水岭算法的预分类  40-42
  4.3 实验结果与分析  42-46
    4.3.1 不同波段选择方法的性能比较  42-43
    4.3.2 未标记样本数对波段子集的影响  43-46
  4.4 本章小结  46-47
第五章结论与展望  47-49
  5.1 结论  47-48
  5.2 展望  48-49
参考文献  49-54
作者在攻读硕士学位期间公开发表的论文  54-55
作者在攻读硕士学位期间所参与的项目  55-56
致谢  56

高光谱数据半监督波段选择研究

内容摘要

全文目录

相似论文