基于混合核函数的自组织神经网络遥感图像分类

自组织神经网络SOM作为一种无监督学习的竞争式网络,已经得到了广泛的应用,它通过对输入信号的竞争学习,将样本划为不同的类别,但其分类效果常很难令人满意。提出了一种基于混合核函数的SOM神经网络改进方法,并和传统的SOM网络进行了对比,Iris数据和Wine数据的分类实验表明,该方法可以明显改进SOM网络的分类效果。然后对某地Landsat卫星遥感图像数据进行分类实验,实验结果表明,与传统的SOM网络、基于多项式核的SOM网络以及基于RBF核的SOM网络相比较,基于混合核函数的SOM神经网络方法的分类效果有较明显的提高。

诱导核空间选择的LPKHDA维数约简算法

混合鉴别分析(hybrid discirminant analysis,HDA)融合了主元分析和线性鉴别分析的优点,适合更多的数据分布,在实际应用中取得了较好的效果。然而HDA不适合复杂、非线性数据结构的维数约简。首先通过特征映射把数据样本映射到高维线性空间,然后建立线性HDA模型,基于流形学习理论和LSSVM(least square support vector machine)框架,给出了保持数据局部结构的核HDA(locality preserving kernel HDA,LPKHDA)算法。提出了基于散度矩阵的诱导核空间选择方法,通过把模型参数选择问题转化为最优诱导核空间选择问题来求取最优模型参数,通过梯度下降法求取核函数参数和散度矩阵系数最优值。基于Adaboost实现了LPKHDA算法。在UCI数据和人脸图像上进行仿真实验,结果表明与HDA算法相比,新算法不仅较好地解决了模型参数选择问题,且具有较好的性能。