基于克隆选择支持向量机高光谱遥感影像分类技术

作为支持向量机(support vector machine, SVM)高光谱影像分类的一个重要环节,参数设置的效率和精度直接影响到SVM模型训练效率和最终分类精度。本文首先建立一个SVM高光谱影像分类器,提出了利用免疫克隆选择算法优化的交叉验证进行核函数参数和惩罚因子C的优化选择的方法,得到了一种基于克隆选择优化的支持向量机(clonal selection SVM, CSSVM)高光谱影像分类器。然后将CSSVM与传统的基于网格搜索交叉验证的支持向量机（gird search SVM, GSSVM）分类器进行了对比评价,评价指标包括模型训练时间和分类精度等。最后基于AVIRIS高光谱遥感影像进行了两算法分类对比试验,结果表明：提出的CSSVM测试样本总分类精度超过85.1%和Kappa系数超过0.821 3,影像总分类精度超过81.58%和Kappa系数超过0.772 8,CSSVM与GSSVM的分类精度差别在0.08%以内,Kappa系数差别在0.001以内;CSSVM的模型训练时间是GSSVM的1/6至1/10,得到显著缩短;CSSVM方法在保持传统GSSVM优良分类精度的基础上,极大提高了模型的训练效率。     

一种红外光谱免疫计算的矿物组分定量提取方法

近红外/短波红外光谱的矿物组分快速鉴定技术可以大大提高野外矿产勘查、遥感矿物填图、岩芯矿物组分分析等工作的效率,成为目前高光谱技术研究的热点之一。文章给出了一个基于光谱相似度评价约束的联合目标岩石样品光谱和矿物光谱端元库进行矿物组分光谱反演的统一模型,然后以矿物光谱线性混合模型和光谱夹角相似度评价为例,建立了一个具体的组分反演模型;针对模型求解过程中的组合优化问题,提出了一种人工免疫克隆选择计算的矿物组分光谱(ICSFSLIM)识别方法;利用在中国新疆包古图地区选取的22个野外岩石样品的实测近红外/短波红外光谱进行了矿物组分提取试验,以样品薄片鉴定结果为准,将ICSFSLIM识别结果与组合特征光谱线性反演模型(CFSLIM)识别结果进行了定量的对比分析。结果表明：ICSFSLIM比CFSLIM的识别正确率提高了2.26%,有效率提高了18.6%,并且具有更高的识别稳定性。