機器學習是人工智慧的一個重要領域，源自於統計模型擬合。機器學習通過採用推理及樣本學習等方式從數據中獲得相應的理論，尤其適合解決“噪聲”模式及大規模數據集等問題。《基於機器學習的遙感影像分類方法研究》是作者劉穎幾年來科研成果的總結。全書共7章，圍繞遙感圖像分類這一主線，深入研究監督學習、半監督學習、集成學習三大主流機器學習算法，構建完整的遙感圖像分類體系。在理論研究的基礎上，結合實例，詳細介紹了改進機器學習算法及其在遙感分類處理中的套用情況。 《基於機器學習的遙感影像分類方法研究》內容充實、結構清晰、實例豐富，適合從事計算機及相關學科的師生，以及相關科研院所的科研人員閱讀。
基本介紹
- 書名：基於機器學習的遙感影像分類方法研究
- 類型：科技
- 出版日期：2014年5月1日
- 語種：簡體中文
- ISBN：7302359911
- 作者：劉穎
- 出版社：清華大學出版社
- 頁數：149頁
- 開本：16
內容簡介,圖書目錄,
內容簡介
《基於機器學習的遙感影像分類方法研究》是作者劉穎幾年來科研成果的總結，圍繞遙感圖像分類這一主線，深入研究監督學習、半監督學習、集成學習三大主流機器學習算法，構建完整的遙感圖像分類體系。在理論研究的基礎之上，結合實例，詳細介紹改進機器學習算法及其在遙感分類處理中的套用情況。內容涵蓋：關鍵技術研究國內外研究進展；遙感影像數位化；支持向量機參數最佳化方法研究；基於模糊聚類的半監督支持向量機土地覆蓋分類方法研究；基於半監督集成支持向量機的土地覆蓋分類研究等，供相關讀者閱讀參考。
圖書目錄
第1章 緒論
1．1 基本概念
1．1．1 土地覆蓋
1．1．2 遙感技術
1．1．3 機器學習
1．2 研究意義
1．2．1 豐富土地覆蓋遙感分類的理論與方法
1．2．2 為土地利用/覆蓋的動態監測、保護和管理提供技術支持
1．2．3 一種新的自適應半監督支持向量機遙感分類模型的提出
1．2．4 半監督學習思想和集成學習思想的融合
1．3 本書研究方法及結構安排
1．3．1 研究方法
1．3．2 結構安排
參考文獻
第2章 關鍵技術國內外研究現狀
2．1 遙感影像信息提取方法
2．2 SVM遙感分類研究進展
2．2．1 SVM在遙感分類中的優點
2．2．2 SVM在遙感影像分類中的不足
2．2．3 SVM在遙感影像分類中的套用領域
2．3 半監督學習理論及研究進展
2．4 半監督分類中的聚類算法
2．5 集成學習理論及研究進展
參考文獻
第3章 遙感圖像數位化
3．1 研究區位置及遙感影像集
3．1．1 研究區位置
3．1．2 研究區影像集
3．1．3 分類體系的建立
3．2 遙感影像數字集
3．2．1 樣本採集
3．2．2 特徵選取
3．3 本章小結
參考文獻
第4章 SVM參數最佳化方法研究
4．1 SVM理論及參數最佳化算法研究進展
4．1．1 SVM的核心思想
4．1．2 SVMN論
4．1．3 SVM參數最佳化方法研究進展
4．2 基於自適應變異粒子群參數最佳化的土地覆蓋分類模型
4．2．1 傳統粒子群算法(PSO)
4．2．2 自適應變異粒子群最佳化算法(AMPSO)
4．2．3 土地覆蓋分類模型構建
4．3 實驗結果與分析
4．3．1 實驗影像選取
4．3．2 特徵選取及樣本集表示
4．3．3 核函式的選取
4．3．4 實驗參數及精度評價指標
4．3．5 實驗結果與比較
4．4 本章小結
參考文獻
第5章 基於模糊聚類的半監督支持向量機土地覆蓋分類方法研究
5．1 概述
5．2 自訓練半監督學習
5．2．1 無標籤樣本的重要性
5．2．2 自訓練半監督算法
5．3 模糊聚類理論
5．3．1 聚類的概念
5．3．2 常用聚類算法
5．3．3 聚類有效性驗證
5．4 一種新的自訓練半監督支持向量機分類模型構建
5．4．1 未標記樣本的選擇依據
5．4．2 基於GKclust的自訓練半監督支持向量機設計流程
5．4．3 基於GKclust的自訓練半監督支持向量機算法
5．5 實驗結果與分析
5．5．1 遙感影像數位化
5．5．2 參數設定
5．5．3 模糊聚類算法的比較
5．5．4 無標籤樣本的參與比例
5．5．5 土地覆蓋遙感圖像分類
5．6 本章小結
參考文獻
第6章 基於半監督集成支持向量機的土地覆蓋分類研究
6．1 概述
6．2 集成學習框架
6．2．1 個體生成方法
6．2．2 結論生成方法
6．3 半監督集成支持向量機的土地覆蓋分類模型構建
6．3．1 個體生成算法
6．3．2 結論生成算法
6．4 實驗結果與分析
6．4．1 實驗數據
6．4．2 結果與精度分析
6．5 本章小結
參考文獻
第7章 總結與展望
7．1 研究結論
7．2 本書不足之處
7．3 研究展望
1．1 基本概念
1．1．1 土地覆蓋
1．1．2 遙感技術
1．1．3 機器學習
1．2 研究意義
1．2．1 豐富土地覆蓋遙感分類的理論與方法
1．2．2 為土地利用/覆蓋的動態監測、保護和管理提供技術支持
1．2．3 一種新的自適應半監督支持向量機遙感分類模型的提出
1．2．4 半監督學習思想和集成學習思想的融合
1．3 本書研究方法及結構安排
1．3．1 研究方法
1．3．2 結構安排
參考文獻
第2章 關鍵技術國內外研究現狀
2．1 遙感影像信息提取方法
2．2 SVM遙感分類研究進展
2．2．1 SVM在遙感分類中的優點
2．2．2 SVM在遙感影像分類中的不足
2．2．3 SVM在遙感影像分類中的套用領域
2．3 半監督學習理論及研究進展
2．4 半監督分類中的聚類算法
2．5 集成學習理論及研究進展
參考文獻
第3章 遙感圖像數位化
3．1 研究區位置及遙感影像集
3．1．1 研究區位置
3．1．2 研究區影像集
3．1．3 分類體系的建立
3．2 遙感影像數字集
3．2．1 樣本採集
3．2．2 特徵選取
3．3 本章小結
參考文獻
第4章 SVM參數最佳化方法研究
4．1 SVM理論及參數最佳化算法研究進展
4．1．1 SVM的核心思想
4．1．2 SVMN論
4．1．3 SVM參數最佳化方法研究進展
4．2 基於自適應變異粒子群參數最佳化的土地覆蓋分類模型
4．2．1 傳統粒子群算法(PSO)
4．2．2 自適應變異粒子群最佳化算法(AMPSO)
4．2．3 土地覆蓋分類模型構建
4．3 實驗結果與分析
4．3．1 實驗影像選取
4．3．2 特徵選取及樣本集表示
4．3．3 核函式的選取
4．3．4 實驗參數及精度評價指標
4．3．5 實驗結果與比較
4．4 本章小結
參考文獻
第5章 基於模糊聚類的半監督支持向量機土地覆蓋分類方法研究
5．1 概述
5．2 自訓練半監督學習
5．2．1 無標籤樣本的重要性
5．2．2 自訓練半監督算法
5．3 模糊聚類理論
5．3．1 聚類的概念
5．3．2 常用聚類算法
5．3．3 聚類有效性驗證
5．4 一種新的自訓練半監督支持向量機分類模型構建
5．4．1 未標記樣本的選擇依據
5．4．2 基於GKclust的自訓練半監督支持向量機設計流程
5．4．3 基於GKclust的自訓練半監督支持向量機算法
5．5 實驗結果與分析
5．5．1 遙感影像數位化
5．5．2 參數設定
5．5．3 模糊聚類算法的比較
5．5．4 無標籤樣本的參與比例
5．5．5 土地覆蓋遙感圖像分類
5．6 本章小結
參考文獻
第6章 基於半監督集成支持向量機的土地覆蓋分類研究
6．1 概述
6．2 集成學習框架
6．2．1 個體生成方法
6．2．2 結論生成方法
6．3 半監督集成支持向量機的土地覆蓋分類模型構建
6．3．1 個體生成算法
6．3．2 結論生成算法
6．4 實驗結果與分析
6．4．1 實驗數據
6．4．2 結果與精度分析
6．5 本章小結
參考文獻
第7章 總結與展望
7．1 研究結論
7．2 本書不足之處
7．3 研究展望
