[发明专利]基于一种复合核函数的高光谱分类方法

摘要

本发明提供的是基于一种复合核函数的高光谱分类方法。输入一幅高光谱图像，类别数为N；以支持向量机为基分类器，同时从所述高光谱图像每个类别中随机地选取s个样本组成训练集，剩余样本组成测试集，确定各参数的变化范围，然后结合K次交叉验证确定支持向量机的最优性能参数，包括惩罚因子和核参数；利用复合核构建策略，构造复合核函数，对支持向量机进行训练；利用训练过程得到的支持向量机判决函数的参数，循环N次，进而得到测试集属于每类别的判决函数值，组成矩阵确定多分类器策略，即找到矩阵每列的最大值。本发明具有可以更好的描述数据集的分布特征，且分类精度相对较高等特点。其参数优化所消耗的时间相对于传统多核学习方法也相对较短。

主权项

基于一种复合核函数的高光谱分类方法，其特征是：步骤1：输入一幅高光谱图像，类别数为N；步骤2：以支持向量机为基分类器，同时从所述高光谱图像每个类别中随机地选取s个样本组成训练集，剩余样本组成测试集，确定各参数的变化范围，然后结合K次交叉验证确定支持向量机的最优性能参数，包括惩罚因子和核参数；步骤3：利用复合核构建策略，构造复合核函数，对支持向量机进行训练；具体包括：步骤3.1：通过多次非线性映射得到复合核函数，计算如下：K1(x,z)＝φ1(x)·φ1(z)K2(x,z)＝φ2[φ1(x)]·φ2[φ1(z)]…KM(x,z)＝φM[φM‑1(x)]·φM[φM‑1(z)]其中KM(x,z)表示样本x和z的核函数，φM表示第M次非线性映射函数；φM是高斯映射，多项式映射或是其他非线性映射，且当M＝2时，基于该复合核函数分类器的分类性能达到收敛状态；当M＝2时，KG(G)，KG(P)，KP(G)和KP(P)分别为连续高斯映射复合核函数，多项式‑高斯映射复合核函数，高斯‑多项式映射复合核函数以及连续多项式映射复合核函数；表达式如下：KG(G)(x,z)=φG[φG(x)]·φG[φG(z)]=exp[-||φG(x)-φG(z)||2/σ22]=exp[-[φG(x)·φG(x)+φG(z)·φG(z)-2φG(x)·φG(z)]/σ22]=exp[-[KG(x,x)+KG(z,z)-2KG(x,z)]/σ22]---(1)]]>KG(P)(x,z)=φG[φP(x)]·φG[φP(z)]=exp[-||φP(x)-φP(z)||2/σ22]=exp[-[φP(x)·φP(x)+φP(z)·φP(z)-2φP(x)·φP(z)]/σ22]=exp[-[KP(x,x)+KP(z,z)-2KP(x,z)]/σ22]---(2)]]>KP(G)(x,z)=φP[φG(x)]·φP[φG(z)]=[(φG(x)·φG(z))+1]d2=[KG(x,z)+1]d2---(3)]]>KP(P)(x,z)=φP[φP(x)]·φP[φP(z)]=[(φP(x)·φP(z))+1]d2=[KP(x,z)+1]d2---(4)]]>其中x和z表示两个像元，σ2表示第二次高斯映射的高斯半径，d2表示第二次多项式映射的多项式参数；步骤3.2：对支持向量机进行训练，得到支持向量机决策函数的权重向量和阈值α*和b*；步骤4：利用训练过程得到的支持向量机判决函数的参数，循环N次，进而得到测试集属于每类别的判决函数值，组成矩阵其中ntest表示测试样本的个数；步骤5：确定多分类器策略，即找到矩阵每列的最大值，其行序号对应每个测试样本的预测标签，