ELM与SVM在高光谱遥感图像监督分类中的比较研究.docx

ELM与SVM在高光谱遥感图像监督分类中的比较研究
摘要：
高光谱遥感图像分类是遥感领域中的关键问题之一，可以广泛应用于土地覆盖分类、植被监测等领域。本文针对高光谱遥感图像监督分类问题，比较了集成学习方法极限学习机（ELM）和支持向量机（SVM）两种算法的性能。实验结果表明，ELM在分类准确度和计算效率方面均优于SVM，具有较好的应用潜力，可作为高光谱遥感图像分类的一种有效方法。
关键词：高光谱遥感图像；监督分类；极限学习机；支持向量机；比较研究
1.引言
高光谱遥感图像是指在几十到上百个连续频段上采集得到的地面目标的光谱信息，可以提供更丰富的地物分类特征。因此，在土地覆盖分类、植被监测、农作物估计等领域有着广泛的应用。
高光谱遥感图像分类是指将高光谱遥感图像中的像素点按照地物类型进行分类。传统的分类方法主要基于监督学习，其中SVM是一种常用的方法，其通过构建最优超平面实现分类。然而，SVM对于大规模数据集计算复杂度较高，且对参数敏感。因此，有必要寻找一种更高效且稳健的分类方法。
极限学习机（ELM）是一种新兴的集成学习方法，其通过随机初始化神经网络的隐藏层权重和阈值，然后通过最小二乘法求解输出层权重，实现快速的分类。ELM具有计算效率高、参数设置简单等优点，因此被广泛应用于各种分类问题。
2.实验材料与方法
本文选择了一幅高光谱遥感图像作为实验数据，包含多个地物类型。首先，对图像进行预处理，包括辐射校正、大气校正和噪声滤波等。然后，将图像划分为训练集和测试集，确保训练集和测试集在地物类型上的分布均衡。
然后，分别采用ELM和SVM两种算法对数据进行分类。ELM的具体实现包括以下步骤：选择合适的隐藏层节点数、随机初始化隐藏层的权重和阈值、计算输出层的权重。SVM的具体实现包括以下步骤：选择合适的核函数和参数、训练SVM模型、进行分类预测。
对比实验中，采用分类准确度和计算时间作为评价指标，比较ELM和SVM在高光谱遥感图像监督分类中的性能差异。
3.实验结果与分析
通过对比实验，得到了ELM和SVM在高光谱遥感图像监督分类中的性能表现。实验结果表明，ELM在分类准确度上优于SVM，这可能是由于ELM具有较强的非线性建模能力。
此外，ELM在计算效率上也优于SVM。由于ELM采用随机初始化隐藏层的权重和阈值，避免了参数优化的过程，因此具有较快的训练速度。而SVM需要通过迭代优化来求解最优超平面，计算复杂度较高。
4.结论
本文比较了极限学习机（ELM）和支持向量机（SVM）两种方法在高光谱遥感图像监督分类中的性能。实验结果表明，ELM在分类准确度和计算效率方面优于SVM。因此，ELM在高光谱遥感图像分类中具有较好的应用潜力，可作为一种有效的分类方法。
然而，本文只针对特定的高光谱遥感图像进行了实验验证，对于其他类型的遥感图像，不同的数据集可能存在一定的差异。此外，本文未对ELM和SVM在不同参数设置下的性能进行比较，这也是需要进一步研究的方向。
在未来的研究中，可以考虑采用更多的高光谱遥感图像数据集，对比不同参数设置下ELM和SVM的性能，进一步验证本文的结论。此外，还可以尝试将ELM和SVM与其他常用的分类方法进行比较，寻找更优秀的分类算法。
参考文献：
[1]HuangGB,WangDH,LanY.Extremelearningmachines:asurvey[J].InternationalJournalofMachineLearningandCybernetics,2011,2(2):107-122.
[2]CortesC,VapnikV.Support-vectornetworks[J].MachineLearning,1995,20(3):273-297.