研究目的
开发一种自动化方法,用于高光谱图像分类中复合核与多核的聚合,无需手动调整核系数,利用极限学习机提升性能与效率。
研究成果
所提出的MCK-ELM方法能自主有效地融合复合核与多重核,无需手动调整系数或进行复杂优化。在多个高光谱数据集上,其分类精度均优于现有先进方法,麦克尼马尔检验证实了这种优势的统计显著性。该方法计算高效且适用于多类别分类,未来工作可探索最优窗口尺寸及先进空间特征提取技术。
研究不足
空间特征提取的窗口尺寸固定为7×7,由于像素分辨率存在差异,该尺寸可能并非适用于所有高光谱数据集,可能需要调整。采用简单的均值统计方法处理空间特征,或许可以通过更复杂的方法加以改进。该方法依赖于预定义的内核类型和参数,这可能会限制其适应性。
1:实验设计与方法选择:
本研究采用多重复合核极限学习机(MCK-ELM)框架,将多核学习方法适配于极限学习机以自动寻找最优核组合,通过线性组合法实现核聚合以降低复杂度。
2:样本选取与数据来源:
使用三个高光谱数据集——印度松(AVIRIS传感器,200个波段,9类)、帕维亚大学(ROSIS-03传感器,103个波段,9类)和萨利纳斯(AVIRIS传感器,207个波段,16类),均包含真实地物标签信息。
3:实验设备与材料清单:
未提及具体物理设备,研究为计算性质,依托基于核的软分类算法及软件工具实现。
4:实验流程与操作路径:
通过高斯核、多项式核及对数函数核构建不同参数的核矩阵,采用7×7窗口均值统计提取空间特征。极限学习机分类器权重初始化自均匀分布随机值,通过10折交叉验证进行训练测试,10次运行结果取平均以确保稳定性。
5:数据分析方法:
采用总体精度(OA)和卡帕系数评估分类性能,麦克尼马尔检验判定统计显著性,记录训练与测试阶段的运行耗时。
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