输入特征向量的自适应优化——以遥感图像K-均值聚类为例

针对在常规聚类应用中一般通过人工试凑调试输入特征分量表达式和权重所带来的参数选择困难的问题,该文以自适应计算替代人工调试为目的,给出了一个称为"输入特征向量自适应优化"(Self-adaptive Optimization of Input Feature Vector,SOIFV)的新方法。SOIFV分为两个部分:1)优化输入向量各分量的权重,它通过评估聚类结果的均质特性和紧密程度,确定权分量的改正方向和改正值,通过迭代逐步逼近最适宜的权向量;2)优化特征向量的描述符组合,这种优化通过使用描述符范例数据库自适应替换不适宜的特征分量实现,替换在当前最适宜权向量的指导下进行。以遥感图像K-均值聚类为例,以MATLAB为模拟平台,对SOIFV进行仿真测试;精度评估的测试样本以图像点采样获取,并与常规聚类方法作了精度比较。实验表明:SOIFV对聚类输入特征向量的自适应优化有效,以优化输入向量聚类的平均全局精度为85.27%,比使用常规方法聚类提高18.82%。