基于PCA和极限学习机的高光谱遥感分类研究

被引：16

作者：

李静

吴孔江

机构：

[1] 贵州省第一测绘院

来源：

北京测绘 | 2018年 / 32卷 / 07期

关键词：

高光谱; 分类; 极限学习机; 主成分分析; 遥感;

D O I：

10.19580/j.cnki.1007-3000.2018.07.009

中图分类号：

P237 [测绘遥感技术];

学科分类号：

070404 [天体测量学];

摘要：

针对高光谱遥感分类研究中面临的数据处理效率低、分类结果精度不高等难题,本文在引入极限学习机(ELM)算法的基础上,顾及其在噪声影响下出现稳健性降低的现象,进一步将主成分分析(PCA)应用于ELM的前端,从而构建了一种基于PCA和ELM的联合算法。将该算法与目前常用的神经网络和支持向量机进行对比分析发现:PCA-ELM分类结果的精度最高,其数据处理效率也较高,该算法具有较强的稳健性和泛化能力,适用于高光谱遥感信息的高效提取。

引用

页码：794 / 799

页数：6

共 23 条

[1]

Extreme learning machine: Theory and applications.[J].Guang-Bin Huang;Qin-Yu Zhu;Chee-Kheong Siew.Neurocomputing.2006, 1

[2]

顾及景观形状的地表覆盖遥感产品精度评定方法研究 [J].