排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
人工蜂群算法优化的SVM遥感影像分类 总被引：2，自引：0，他引：2
SVM分类器的参数设定对分类精度有着显著的影响,针对现有人工智能算法优化参数易陷入局部最优的现状,提出了一种基于人工蜂群算法改进SVM参数的遥感分类方法(ABC-SVM)。该方法模仿蜜蜂采蜜的行为,以训练样本的交叉验证精度代表蜜源的丰富程度,通过蜂群的分工协作搜索出最优蜜源(即SVM分类器最优参数),最终利用参数优化后的SVM分类器实现遥感影像的分类。本文先后比较了3种人工智能算法(包括人工蜂群算法优化的SVM(ABC-SVM)、遗传算法GA(Genetic Algorithm)优化的SVM(GA-SVM)、粒子群算法PSO(Practical Swarm Optimization)优化的SVM(PSO-SVM))在UCI标准数据集上的分类精度和效率,以及3种人工智能算法优化的SVM算法与未经优化参数的SVM算法在遥感影像上分类的差异。结果显示:(1)在利用UCI数据集测试3种人工智能算法优化的SVM算法的结果中,ABC-SVM显示出更高的分类精度、更高的适应度和更快的收敛速度;(2)在利用遥感影像验证4种分类算法精度的结果中,人工智能算法优化后的SVM比未经参数优化的SVM算法的分类精度更高;其中,ABC-SVM分类精度最高,分别比遗传算法、粒子群算法的结果高1.67%、1.50%。 相似文献
2.
针对陆表植被物候监测已发展了很多遥感指数,但不同遥感指数表征陆表植被季节性变化的能力存在差异。目前,有关陆表植被物候遥感指数的评估大多在不同标准下开展,导致研究结果间的可比性较差,致使无法根据不同区域选择出最佳的遥感指数,从而影响大尺度（如半球乃至全球）的陆表物候监测精度。本文在北半球中高纬度地区,以75个碳通量塔站点的406条记录和129个物候相机站点的482条记录为参考标准,对10种遥感指数应用于陆表物候监测的能力进行了系统性评估,并从两个精度评估视角（物候提取准确度、物候变化趋势一致性）、4个维度（植被类型、地理环境、物候类型、物候事件）对比分析了各种情况下的最佳遥感指数及其精度。虽然部分遥感指数在多数情况下均表现最佳,但不同植被类型、地理环境、物候类型（功能物候、结构物候）、物候事件（春季、秋季）组合情况下的最佳遥感指数并不聚焦于少数几种,而是散布于各类遥感指数之中;即使是采用了最佳遥感指数,但在某些情况下,其用于陆表物候监测的误差仍较大。从不同的精度评估视角来看,物候提取准确度高的遥感指数并不一定与物候变化趋势一致性高的遥感指数相对应,说明应根据关注视角来选择最佳遥感指数。本... 相似文献
1