1、“.....加入个未标记样本,所得结果精度为,相较标准提高了加入个未标记样本时,分类结果值为,较使用标准提高了继概率,所以该影像数据在分类上存在定的固有误差。摘要在实际的高光谱遥感影像分类当中,训练样本获取不易,传统分类方法受训练样本数量不足的限制而较难获得很好的分类结果。针对这问题,本文提出种优化半监督支持向量机模型的高光谱遥感影像分类算法。本文方法使用算法对所使用的对未标记样本做聚类后获得未标记样本聚类特征,之后用其辅助构建算法分类器,从而实现在小样高光谱遥感影像能够提供的非常丰富的人们所需的地物信息。利用高光谱遥感影像对地物进行分类,是高光谱遥感影像诸多重要应用之,这应用已广泛在生态监测土地利用评价农业遥感城市规划等国民生产或科研领域中应用。图算法流程图分类实验与分析本文实验使用种基于模型的高光谱遥感影像分类改进算法原稿当使用本文方法,加入个未标记样本,所得结果精度为......”。

2、“.....分类结果值为,较使用标准提高了继续增加未标记样本的数目,当加入个未标记样本时,其分类结果达到,相较使用标准提高了,证明使用本文方法加入未标记样本能够在高光谱遥感影像分类中起到正向作用。种基于模型的高光谱遥感影像分类改进算法原稿下使用聚类算法对所使用的未标记的样本点进行聚类,运用未标记样本点中的结构信息来辅助完成构建,最终完成对高光谱遥感影像的分类。对实验所得的分类结果进行量化统计,得到统计表如表所示。表训练样本为个时标准与本文方法分类精度比较从表中的精度评价数据可以看出,在每类训练样本仅仅为个这样的极小样本情况下,使用标准分类所得精度较低,仅为制而较难获得很好的分类结果。针对这问题,本文提出种优化半监督支持向量机模型的高光谱遥感影像分类算法。本文方法使用算法对所使用的对未标记样本做聚类后获得未标记样本聚类特征,之后用其辅助构建算法分类器......”。

3、“.....实验表明本文所提方法切实可行,具有较好的稳健性。关键词高光谱遥感影像分类未标记样本样本的数量有很高的要求。但是,实际的分类问题中,样本的获取并有不简单,较难获取足够数量样本用以满足传统统计理论。支持向量机是种具有优异类分类性能的学习方法,它建立于统计学习理论之上,能够在有限训练样本的情况下获得较好的分类结果。将支持向量机拓展到高光谱遥感影像分类这多类分类问题中是可行的,且已经有许多效果较好的研究成果。为能在小样本情况下获得的分类结果的精,对实验所得的分类结果进行量化统计,得到统计表如表所示。表训练样本为个时标准与本文方法分类精度比较从表中的精度评价数据可以看出,在每类训练样本仅仅为个这样的极小样本情况下,使用标准分类所得精度较低,仅为当使用本文方法,加入个未标记样本,所得结果精度为,相较标准提高了加入个未标记样本时,分类结果值为......”。

4、“.....设计两个对比实验,并对所得的分类结果做进步分析。实验设定每类的训练样本均为个,分类结果如图所示。图训练样本为个时标准与本文方法分类结果比较通过对其分类结果图目视效果可以看出,当使用标准进行分类所得结果非常不理想,尤其在影像中心偏左区域以及左上角区域,存在着很大面积的错分区域。如图所示,当使用本文方法进行分类。如图所示,当使用本文方法进行分类,加入个未标记样本,且训练样本同样是个这样的极小样本情况下,其分类效果较图使用标准所得到的分类结果有明显改善,图中的大面积错分区域得到了定程度的修正。如图所示,当继续增加所加入未标记样本的数目时,所得的分类结果得到了进步改善,在所加入的未标记样本的个数达个时,能够得到较好的分类结果。对实验的结果进行量,当使用本文方法,加入个未标记样本,所得结果精度为,相较标准提高了加入个未标记样本时,分类结果值为......”。

5、“.....当加入个未标记样本时,其分类结果达到,相较使用标准提高了,证明使用本文方法加入未标记样本能够在高光谱遥感影像分类中起到正向作用。种基于模型的高光谱遥感影像分类改进算法原稿具有优异类分类性能的学习方法,它建立于统计学习理论之上,能够在有限训练样本的情况下获得较好的分类结果。将支持向量机拓展到高光谱遥感影像分类这多类分类问题中是可行的,且已经有许多效果较好的研究成果。为能在小样本情况下获得的分类结果的精度更高,本文研究依据统计学习理论提出种用于高光谱遥感影像分类的半监督支持向量机模型的方法。本文方法在每类的训练样本数量较少的情种基于模型的高光谱遥感影像分类改进算法原稿,加入个未标记样本,且训练样本同样是个这样的极小样本情况下,其分类效果较图使用标准所得到的分类结果有明显改善,图中的大面积错分区域得到了定程度的修正。如图所示,当继续增加所加入未标记样本的数目时......”。

6、“.....能够得到较好的分类结果。种基于模型的高光谱遥感影像分类改进算法原稿当使用本文方法,加入个未标记样本,所得结果精度为,相较标准提高了加入个未标记样本时,分类结果值为,较使用标准提高了继续增加未标记样本的数目,当加入个未标记样本时,其分类结果达到,相较使用标准提高了,证明使用本文方法加入未标记样本能够在高光谱遥感影像分类中起到正向作用。种基于模型的高光谱遥感影像分类改进算法原稿果值为,较使用标准提高了当加入未标记样本达到个时,其分类结果精度为,较加入个未标记样本时提高了,较使用标准支持向量机进行分类提高了。可知,在每类训练样本达到个时,使用本文方法加入未标记样本进行分类,相较使用标准虽然能够提高分类精度,且随着所加入未标记样本数目的增加而又有定提高,但是所能提高的幅度并不大......”。

7、“.....是高光谱遥感影统计,得精度统计表如表所示。表训练样本为个时标准与本文方法分类精度比较从表的精度评价数据可以看出,在每类训练样本为个时,使用标准支持向量机进行分类所得结果精度为,较实验中每类训练样本只有个时已经有了很大幅度的提高。当使用本文所提方法,加入个未标记样本时所得分类结果精度为,较使用标准支持向量机的结果精度只提高了加入未标记样本数为个时,其分类结,。图原始影像及参考数据与本文方法分类比较为了验证本文所提方法的有效性,设计两个对比实验,并对所得的分类结果做进步分析。实验设定每类的训练样本均为个,分类结果如图所示。图训练样本为个时标准与本文方法分类结果比较通过对其分类结果图目视效果可以看出,当使用标准进行分类所得结果非常不理想,尤其在影像中心偏左区域以及左上角区域,存在着很大面积的错分区域下使用聚类算法对所使用的未标记的样本点进行聚类......”。

8、“.....最终完成对高光谱遥感影像的分类。对实验所得的分类结果进行量化统计,得到统计表如表所示。表训练样本为个时标准与本文方法分类精度比较从表中的精度评价数据可以看出,在每类训练样本仅仅为个这样的极小样本情况下,使用标准分类所得精度较低,仅为继续增加未标记样本的数目,当加入个未标记样本时,其分类结果达到,相较使用标准提高了,证明使用本文方法加入未标记样本能够在高光谱遥感影像分类中起到正向作用。种基于模型的高光谱遥感影像分类改进算法原稿。由于高光谱数据具有数据高维数据量大等特点,原本用于多光谱影像的传统分类方法不再适用于对的高光谱遥感影像进行分类。传统分类方法的理论假设对像诸多重要应用之,这应用已广泛在生态监测土地利用评价农业遥感城市规划等国民生产或科研领域中应用。由于高光谱数据具有数据高维数据量大等特点......”。

9、“.....传统分类方法的理论假设对样本的数量有很高的要求。但是,实际的分类问题中,样本的获取并有不简单,较难获取足够数量样本用以满足传统统计理论。支持向量机是种种基于模型的高光谱遥感影像分类改进算法原稿当使用本文方法,加入个未标记样本,所得结果精度为,相较标准提高了加入个未标记样本时,分类结果值为,较使用标准提高了继续增加未标记样本的数目,当加入个未标记样本时,其分类结果达到,相较使用标准提高了,证明使用本文方法加入未标记样本能够在高光谱遥感影像分类中起到正向作用。种基于模型的高光谱遥感影像分类改进算法原稿,下使用聚类算法对所使用的未标记的样本点进行聚类,运用未标记样本点中的结构信息来辅助完成构建,最终完成对高光谱遥感影像的分类。对实验所得的分类结果进行量化统计,得到统计表如表所示。表训练样本为个时标准与本文方法分类精度比较从表中的精度评价数据可以看出......”。