HCKBoost：基于极限学习机的混合复合核提升方法用于高光谱图像分类

摘要： 利用高光谱图像（HSI）分析中的上下文信息是一个重要因素。另一方面，与核方法相关的多重核（MKs）和混合核（HKs）对分类过程具有显著影响。通过复合核（CKs）激活空间信息以及利用MKs和HKs挖掘光谱信息的隐藏特征，在高光谱图像分类中已分别展现出卓越成效。本研究旨在聚合复合核与混合核，采用基于提升法的集成学习器实现高精度分类。通过预定义核的个体性能加权凸组合构建空间-光谱混合核，并按特定比例融合这些空间与光谱混合核形成复合核。采用计算快速高效的极限学习机（ELM）分类算法。由于核心目标是构建集成模型时获取最优核函数，与标准多核学习（MKL）方法不同，本方法摒弃复杂优化流程并支持多类分类。使用具有真实地物标签的帕维亚大学、印度松和萨利纳斯高光谱数据集进行仿真，通过高斯核、多项式核及对数核函数（含多组参数）构建杂交复合核（HCK），并将结果与当前最先进的多核学习、复合核、稀疏表示及单核方法进行对比分析。