研究目的
与核极限学习机(KELM)相比,采用降维核极限学习机(RKELM)对高光谱图像进行分类可缩短计算时间并降低内存需求。
研究成果
RKELM在计算时间上实现了显著提升(比KELM快约10倍),但以精度为代价。该算法适用于对速度和内存效率要求较高的应用场景,尽管性能略有下降。未来工作可探索最优子集选择方法及其在其他数据集上的应用。
研究不足
与全核方法(KELM)相比,降维核方法(RKELM)的准确率较低,在CNi=50时最大损失达1.824%。由于采用子集进行表征,这一结果是预期之中的。本研究仅限于单一数据集和特定参数(例如子集大小固定为训练数据的10%)。
1:实验设计与方法选择:
本研究采用基于核函数的方法,使用RBF核函数进行分类,重点比较RKELM与KELM。方法学包含极限学习机与核计算的数学公式及算法流程。
2:样本选择与数据来源:
使用意大利帕维亚中心数据集,经预处理(去除噪声波段与裁剪)后形成1096×715×102尺寸的高光谱图像立方体,包含水体、树木、草地、砖块、土壤、沥青、焦油、瓦片及阴影等类别。
3:实验设备与材料清单:
未提及特定硬件;软件使用Python 3.6及scikit-learn???。
4:6及scikit-learn模块。
实验流程与操作步骤:
4. 实验流程与操作步骤:每类选取等量样本(CNi)用于训练。RKELM采用训练数据的子集(总量的10%)计算核矩阵,KELM则使用完整数据集。分类在全部数据(含标记与未标记)上进行,性能仅评估标记数据。结果包含准确率百分比与计算耗时。
5:数据分析方法:
通过分类准确率(百分比)衡量性能,记录计算耗时(秒)。结果通过表格与分类图进行对比。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容