遙感圖像特征提取方法研究與實現(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，人腦對外界的認知手段多樣，導致人獲取的信息維數(shù)過高。如果人腦不對獲取的信息進行降維處理，那么人腦對信息處理的效率和精準度都會下降，因此人腦對這些感知神經(jīng)處理時，均通過了復雜的降維處理。
PCA方法廣泛運用于從神經(jīng)科學到計算機圖形學的數(shù)據(jù)分析。因為它是一種簡單的非參方法，能夠從復雜的數(shù)據(jù)集中提取出數(shù)據(jù)相關(guān)信息。我們進行主成分分析的動機是希望計算出一個含有噪音數(shù)據(jù)空間的最重要的基，來重新表達這個數(shù)據(jù)空間。但是這些新基往往隱藏在復雜的數(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方法是一個高普適用方法，它的一大優(yōu)點是能夠?qū)?shù)據(jù)進行降維處理，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，從而達到降維和簡化模型的目的，間接地對數(shù)據(jù)進行了壓縮處理，同時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)處理時進行了降維處理。
本文正是基于此背景，研究高維數(shù)據(jù)如何降低維數(shù)，反復調(diào)整貢獻率，最終得到最佳的維數(shù)，然后再利用libsvm計算出準確度。設(shè)計一共分為兩個模塊：
（1）利用PCA對高維數(shù)據(jù)進行處理，通過調(diào)整貢獻率的大小和達到第一個貢獻率的樣本個數(shù)，得到最佳的維度；
（2）利用libsvm對從PCA得到的數(shù)據(jù)進行處理，通過調(diào)整核函數(shù)和懲罰系數(shù)使準確度達到最大。


關(guān)鍵詞：降維；模式識別；貢獻率；