[发明专利]基于Jeffries-Matusita距离和类对决策树的高光谱数据多分类方法

摘要

本发明公开了一种基于Jeffries‑Matusita距离和类对决策树的高光谱数据多分类方法，其步骤如下：一、计算两两类别之间的Jeffries‑Matusita距离，得到Jeffries‑Matusita距离矩阵；二、基于总体可分性度量得到执行顺序表，构建类对决策树；三、采用基于Jeffries‑Matusita距离的加权核SVM分类器执行整个类对决策树策略所确定的分类任务，直到完成叶节点的二分类任务，得到最终单一类别属性。本发明通过引入Jeffries‑Matusita距离加权矩阵，使得分类器在训练的过程中充分利用样本的类间信息，且不会造成太大的参数波动。同时在区分单一样本时使用较少的二分类器，且每层“淘汰”了一半了类别，增强了加权分类的针对性，从而将每个子分类器的分类误差进一步降低，提高了分类精度，适用于高光谱数据的模式识别应用。

主权项

1.一种基于Jeffries‑Matusita距离和类对决策树的高光谱数据多分类方法，其特征在于所述方法步骤如下：一、计算两两类别之间的Jeffries‑Matusita距离，得到Jeffries‑Matusita距离矩阵；二、基于总体可分性度量得到执行顺序表，利用Jeffries‑Matusita距离构建类对决策树，具体步骤如下：1)选择两个不同的类别，设为第p类和第q类，令则得到一个全新的Jeffries‑Matusita累加矩阵其中作为第p类和第q类之间的总体可分性度量，Ωⁱ_p，q分别为第p类和第q类之间的Jeffries‑Matusita距离，i为波段数目，L是类别数目；2)将任意两个类别的总体可分性度量按数值大小递减的顺序排列，得到任意两个类别之间的可分性度量的大小关系，即类对决策树策略下的执行顺序<Λ₁,Λ₂,...,Λ_W>，作为构建类对决策树时的准则，W为两两类别之间总体可分性度量的个数，W＝L×(L‑1)/2，Λ₁为累加矩阵中的最大值，即其中p₁∈{1,2,...,L},q₁∈{1,2,...,L},p₁≠q₁；Λ₂为除外累加矩阵中的最大值，即其中p₂∈{1,2,...,p₁‑1,p₁+1,...,L}，q₂∈{1,2,...,q₁‑1,q₁+1,...,L},p₂≠q₂；3)构建类对决策树的起始层：①按照<Λ₁,Λ₂,...,Λ_W>的顺序，选择Λ₁对应的两个类别；②选择Λ₂对应的的两个类别，若Λ₂对应的两类别中有与Λ₁对应类别重复的类别，则依次选取Λ_i对应的两个类别，i>2，直到没有重复类别为止；③重复步骤②直到没有类别剩余或者仅有单一类别剩余；④将一同选出的两个类别称为一个类对，若类别数目L是偶数，则类对个数为个；若类别数目L是奇数，则类对个数为个，其中[]表示取整部分，且最后的类对中仅有一类，称为单独类对；4)对上述每一个类对构建一个二分类器，分类结果中的单一类别与其他类对结果中的单一类别组成一个新的待分类集合；5)构建类对决策树的中间层：对于每一个待分类集合，建立该待分类集合对应的中间节点，设待构建的中间层为第s层，若上层待分类集合中类别个数L^(s‑1)为偶数，则对应中间节点的类别个数为若上层待分类集合中类别个数L^(s‑1)为奇数，则对应中间节点的类别个数为根据第3)步中筛选类对的规则，按照<Λ₁,Λ₂,...,Λ_W>的顺序重新构建第s层的类对；6)重复第4)步和第5)步，直到每一个待分类集合中只有一个类别时，将这些待分类集合作为类对决策树的叶节点；三、采用基于Jeffries‑Matusita距离的加权核SVM分类器执行整个类对决策树策略所确定的分类任务，直到完成叶节点的二分类任务，得到最终单一类别属性。