公共文化服务平台

共 7 条记录，以下是 1-7

全选清除导出

排序方式：

基于萤火虫优化的高光谱遥感影像波段选择方法: 本发明公开一种基于改进萤火虫算法的高光谱遥感影像波段选择算法，改进了FA算法中的目标函数。波段选择的优化改进是先对波段索引位置进行随机初始化，位置矩阵大小为s=n*b（已知参数n,b为用户自输入的波段选择数目）；选择不同...; 苏红军李茜楠; 文献传递

基于萤火虫算法的高光谱遥感波段选择方法被引量：3: 2014年; 高光谱图像在遥感领域中的应用越来越广泛,但由于自身的高数据维、波段间的高冗余度等特性给图像处理带来了一定困难,针对这个问题,提出一种基于类间可分性准则的改进萤火虫仿生算法,进行高光谱遥感波段选择。在分析萤火虫算法机理的基础上,阐述了利用该算法进行高光谱波段选择的思路,并构造波段相似性矩阵,选择欧氏距离、JM距离、光谱信息散度和离散度作为可分性准则来设置目标函数,根据目标函数值的优劣选择优势波段。最后,使用HYDICE Washington DC Mall和HyMap Purdue Campus两个高光谱遥感影像数据进行实验验证,并利用支持向量机分类器对最佳波段组合进行精度评价,证明该算法的可行性和有效性。; 李茜楠苏红军; 关键词：高光谱影像萤火虫算法波段选择距离函数图像分类

一种基于改进K-均值聚类的半监督高光谱影像降维方法: 本发明公开了一种基于改进K-均值的半监督高光谱影像降维方法，包括以下步骤：1)选择需进行降维的高光谱影像及其典型地物光谱；2)利用相似性非监督法对影像进行波段选择，确定取代K-均值初始聚类中心的波段；3)将影像的典型地物...; 苏红军李茜楠; 文献传递

萤火虫算法优化的高光谱遥感影像极限学习机分类方法被引量：10: 2015年; 机器学习方法在高光谱遥感影像分类中广泛应用,本文使用新型的极限学习机(Extreme Learning Machine,ELM)进行高光谱遥感影像分类,针对ELM中正则化参数C和核参数σ,提出以萤火虫算法(Firefly Algorithm,FA)进行优化。首先,采用萤火虫算法进行高光谱遥感影像的波段选择,以便降低维数;然后,利用萤火虫算法以分类精度最大化为准则对ELM的参数组合(C,σ)进行寻优;最后,利用参数优化后的ELM分类器,对3个不同传感器的高光谱遥感影像进行分类。实验中将新型的萤火虫算法与遗传算法(Genetic Algorithm,GA)和粒子群算法(Particle Swarm Optimization,PSO)进行了对比,并将ELM的性能与支持向量机(Support Vector Machine,SVM)方法作对比。结果表明,FA优化方法优于传统的GA和PSO优化方法,ELM方法的效果在训练时间和分类准确率2个方面都优于SVM方法。实验说明,本文提出的方法具有较好的适用性和较优的分类效果。; 蔡悦苏红军李茜楠; 关键词：极限学习机高光谱遥感参数优化

一种基于改进型层次聚类的高光谱遥感数据降维方法: 本发明公开了一种基于改进型层次聚类的高光谱遥感数据降维方法，包括如下步骤：选择需进行分析的高光谱遥感影像数据，所述高光谱遥感影像数据含有L个波段；利用SID算法计算每两个波段之间的光谱距离，得到一个光谱距离矩阵<Imag...; 苏红军李茜楠; 文献传递

一种基于改进K-均值聚类的半监督高光谱影像降维方法: 本发明公开了一种基于改进K-均值的半监督高光谱影像降维方法，包括以下步骤：1)选择需进行降维的高光谱影像及其典型地物光谱；2)利用相似性非监督法对影像进行波段选择，确定取代K-均值初始聚类中心的波段；3)将影像的典型地物...; 苏红军李茜楠; 文献传递

基于萤火虫算法的高光谱遥感波段选择方法: 随着高光谱影像数据在遥感应用中越来越广泛，如何降低高光谱数据的维数、去除波段之间冗余度，成为高光谱遥感数据在应用中需要解决的一个重要问题。; 苏红军李茜楠

全选清除导出

共1页<1>

李茜楠