基于多元邏輯回歸和鄰域信息的高光譜遙感影像半監(jiān)督分類.pdf

1、高光譜遙感技術雖然被廣泛的應用于對地觀測，但是由于高光譜遙感影像數據量較大，初始訓練樣本的獲取又是一個耗時耗力的過程，使得在處理遙感數據的過程中經常會遇到信息冗余的問題；多元邏輯回歸分類器在處理高維影像數據中有著一定的優(yōu)勢，但是分類器性能好壞主要受其回歸參數求解的影響，使得參數優(yōu)化問題尤其顯得突出。論文將半監(jiān)督思想與多元邏輯回歸分類器進行結合應用于高光譜遙感影像分類當中，針對目前上述仍存在的問題，提出一些新的算法和改進。
　　本研

2、究主要內容包括：⑴針對牛頓算法在求解多元邏輯回歸分類器回歸參數的過程中經常會遇到尋優(yōu)過慢、精度不高的問題，提出一種利用DFP修正擬牛頓算法進行回歸參數求解來提高運算效率。該算法以弦截法代替牛頓算法中的二階Hessian矩陣，并采用DFP修正法不斷修正。實驗表明：與常用參數求解算法相比，該改進算法在分類性能上有著很明顯地改進。⑵在半監(jiān)督分類的過程中，非標記樣本的選擇直接決定著對分類器性能改善的程度。針對常用樣本選擇方法中存在的一些問題，提

3、出一種新的改進算法：考慮多個不確定類別之間的不確定性。首先通過閾值將有效類別進行篩選，之后通過方差來度量各個有效類別之間的不易區(qū)分程度，最后選出相似度最大的非標記樣本進行標記。實驗表明：與常用樣本選擇方法相比有著明顯的優(yōu)勢。⑶在半監(jiān)督分類過程中，樣本標簽確定直接決定著最終分類效果的好壞。錯誤的樣本標記不僅不會改善結果，甚至會導致更差的效果。論文基于鄰域信息和多分類器提出一種新的樣本確定算法。首先以待確定的非標記樣本為中心像元，通過設定圓