集成方法研究及其在遥感分类中的应用

摘要

集成方法具有泛化性能强稳定性高的特点，在复杂数据的分类中得到了有效利用。本文主要对集成方法进行研究，在此基础上将集成方法应用到遥感分类领域中。针对原始旋转森林集成方法对复杂数据进行分类时产生的过拟合问题，提出一种改进的旋转森林集成分类方法。
　　本研究首先利用旋转森林集成方法对原始训练集进行特征分割与特征提取，由此增强各基分类器之间的差异性，在此基础上，将学习速度快的极限学习机作为基分类器对数据进行分类处理，提高模型分类的速度。进而将集成方法引入到遥感分类中，针对遥感数据非负的特点，提出一种基于神经网络集成的遥感分类方法。使用可以保留遥感影像物理信息的非负矩阵分解方法来对影像进行特征提取，然后采用极限学习机集成方法在影像上进行训练，在集成基分类器训练完成后，采用Q统计来衡量各基分类器间的差异性，选择差异性大的分类器来进行集成，从而提高分类精度。此外，针对传统分类方法只使用遥感影像的光谱特征，导致分类中会遇到“同谱异物”和“同物异谱”现象，提出一种多特征融合的遥感影像分类方法。首先利用Gabor变换提取出遥感影像的纹理特征，再将其与光谱特征进行融合，然后为解决遥感影像分类中有标签训练样本少的特点，采用集成方法对影像进行最终的分类处理。在UCI数据和实际的遥感影像分类实验中，所提集成方法可获得较高的分类精度，并且泛化能力较强，说明所提方法的有效性。