基于MKSVM和MRF的高光谱影像分类方法

为充分利用高光谱遥感影像中丰富的光谱和空间信息,提出了一种基于多核支持向量机(multiple kernel support vector machine,MKSVM)和马尔科夫随机场(markov random field,MRF)的影像分类方法。该方法首先利用MKSVM分类器对影像进行分类处理,再利用MRF对初始分类结果进行空间结构规则化,得到最终分类结果。通过对AVIRIS高光谱影像的分类实验表明,该方法有效地消除了分类结果中同质区域内的"噪声",分类精度提高了3%左右。

基于SLPP与MKSVM的痛苦表情识别

为提高痛苦表情识别的准确率,提出一种基于监督保局投影(SLPP)与多核线性混合支持向量机(MKLMSVM)的识别方法。引入先验类标签信息的SLPP获取痛苦表情特征,以解决保局投影方法在未使用先验类标签信息的情况下忽略类内局部结构的问题,并采用MKLMSVM实现痛苦表情的分类。实验结果表明,该方法的识别准确率可达88.56%,明显优于主动外观模型方法,与一般的支持向量机分类相比,可以提升决策函数的可解释性及分类性能。

基于多核支持向量机的高光谱影像非线性混合像元分解

针对基于线性模型分解高光谱影像混合像元分解精度低,而非线性模型难以建立等问题,提出了利用多核支持向量机(MKSVM)的后验概率进行高光谱影像非线性混合像元分解的方法。该方法在支持向量机的基础上,以线性加权组合核函数代替单核函数,采用简单多核学习方法迭代解算权系数来实现分类。然后,通过S型函数将分类器输出值转化为概率;将两两配对概率转换为多类后验概率。最后,利用后验概率实现高光谱影像的非线性混合像元分解。采用该方法对两组推帚式超光谱成像仪(PHI)的高光谱影像进行了对比实验,结果表明:该方法的分类精度分别提高到95.62%和91.51%,均方根误差(RMSE)最小分别为11.15%和7.55%,均小于15%。实验结果显示提出的方法基本消除了混合像元对高光谱影像分类的影响,提高了分类精度。

多核融合框架下的雷达辐射源个体识别

该文利用机器学习中多核学习(Multiple Kernel Learning,MKL)算法的多源信息融合功能,提出一种基于核层面信息融合的雷达辐射源个体识别框架。对雷达辐射源信号所提取的不同特征表示,分别构建相应的核函数或核矩阵,然后通过一定的准则计算它们的组合系数,并同时或独立获得支持向量机的分类超平面,最终实现对辐射源信号的分类。特别地,该方法能够实现辐射源信号模糊函数多个"近零"切片特征的有效融合,得到比代表性切片更优的识别性能。在3组实测雷达辐射源数据上的实验表明了所提方法的有效性。

一种改进的显性多核支持向量机

在支持向量机(Support vector machine,SVM)中,对核函数的定义非常重要,不同的核会产生不同的分类结果.如何充分利用多个不同核函数的特点,来共同提高SVM学习的效果,已成为一个研究热点.于是,多核学习(Multiple kerne learning,MKL)方法应运而生.最近,有的学者提出了一种简单有效的稀疏MKL算法,即GMKL(Generalized MKL)算法,它结合了L1范式和L2范式的优点,形成了一个对核权重的弹性限定.然而,GMKL算法也并没有考虑到如何在充分利用已经选用的核函数中的共有信息.另一方面,MultiK-MHKS算法则考虑了利用典型关联分析(Canonical correlation analysis,CCA)来获取核函数之间的共有信息,但是却没有考虑到核函数的筛选问题.本文模型则基于这两种算法进行了一定程度的改进,我们称我们的算法为改进的显性多核支持向量机(Improved domain multiple kernel support vector machine IDMK-SVM).我们证明了本文的模型保持了GMKL的特性,并且证明了算法的收敛性.最后通过模拟实验,本文证明了本文的多核学习方法相比于传统的多核学习方法有一定的精确性优势.