MCK-ELM：用于高光谱图像的多复合核极限学习机

摘要： 多种核学习（MKL）方法对提升分类性能具有重要影响。此外，复合核（CK）方法因能利用上下文信息，在高光谱图像分析方面展现出强大能力。本研究旨在无需人工调整核系数的情况下，自主聚合复合核与多种核。通过多重核极限学习机实现预定义核函数的凸组合，从而摒弃标准MKL的复杂优化过程，并发挥多类分类的优势。为构建混合核场景，将不同类型核函数纳入多种核框架。所提方法在具有真实标签的帕维亚大学、印度松和萨利纳斯高光谱数据集上进行验证。采用高斯核、多项式核和具有不同参数的对数核函数构建多个复合核，随后将所得结果与当前先进的标准机器学习方法、MKL及CK方法进行对比展示。