遙感圖像特征提取方法研究與實(shí)現(xiàn)

2萬字 63頁 包括外文翻譯，原創(chuàng)作品，通過查重系統(tǒng)

摘 要

在人腦的生理特征中，人腦對(duì)外界的認(rèn)知手段多樣，導(dǎo)致人獲取的信息維數(shù)過高。如果人腦不對(duì)獲取的信息進(jìn)行降維處理，那么人腦對(duì)信息處理的效率和精準(zhǔn)度都會(huì)下降，因此人腦對(duì)這些感知神經(jīng)處理時(shí)，均通過了復(fù)雜的降維處理。
PCA方法廣泛運(yùn)用于從神經(jīng)科學(xué)到計(jì)算機(jī)圖形學(xué)的數(shù)據(jù)分析。因?yàn)樗且环N簡單的非參方法，能夠從復(fù)雜的數(shù)據(jù)集中提取出數(shù)據(jù)相關(guān)信息。我們進(jìn)行主成分分析的動(dòng)機(jī)是希望計(jì)算出一個(gè)含有噪音數(shù)據(jù)空間的最重要的基，來重新表達(dá)這個(gè)數(shù)據(jù)空間。但是這些新基往往隱藏在復(fù)雜的數(shù)據(jù)結(jié)構(gòu)中，我們需要濾除噪音來找到重構(gòu)出數(shù)據(jù)空間的新基。
PCA方法是一個(gè)高普適用方法，它的一大優(yōu)點(diǎn)是能夠?qū)?shù)據(jù)進(jìn)行降維處理，我們通過PCA方法求出數(shù)據(jù)集的主元，選取最重要的部分，將其余的維數(shù)省去，從而達(dá)到降維和簡化模型的目的，間接地對(duì)數(shù)據(jù)進(jìn)行了壓縮處理，同時(shí)很大程度上保留了原數(shù)據(jù)的信息，就如同人腦在感知神經(jīng)處理時(shí)進(jìn)行了降維處理。
本文正是基于此背景，研究高維數(shù)據(jù)如何降低維數(shù)，反復(fù)調(diào)整貢獻(xiàn)率，最終得到最佳的維數(shù)，然后再利用libsvm計(jì)算出準(zhǔn)確度。設(shè)計(jì)一共分為兩個(gè)模塊：
（1）利用PCA對(duì)高維數(shù)據(jù)進(jìn)行處理，通過調(diào)整貢獻(xiàn)率的大小和達(dá)到第一個(gè)貢獻(xiàn)率的樣本個(gè)數(shù)，得到最佳的維度；
（2）利用libsvm對(duì)從PCA得到的數(shù)據(jù)進(jìn)行處理，通過調(diào)整核函數(shù)和懲罰系數(shù)使準(zhǔn)確度達(dá)到最大。


關(guān)鍵詞：降維；模式識(shí)別；貢獻(xiàn)率；