%0 Journal Article
%T SVM和RVM对高光谱图像分类的应用潜能分析
%A 张宇航
%A 张晔
%J 哈尔滨工业大学学报
%P 34-39
%D 2012
%R 10.11918/j.issn.0367-6234.2012.03.007
%X 针对高光谱图像分类一直面临的小样本、非线性及高维数等问题,分别从原理和实验两个方面分析比较了两种最新的核学习方法——支持向量机(SVM)和相关向量机(RVM)在高光谱图像分类中的异同点．通过对稀疏性、运算时间及分类精度的实验仿真,结果表明:与SVM相比,RVM模型更加稀疏,从而测试时间更短,更有利于大数据量在线测试;然而,RVM的缺点是分类精度略低于SVM．基于此,本文利用Fisher线性鉴别分析(FLDA)技术,在分类前对高光谱数据作可分性预处理,一方面可以降低数据维数、减少计算量,另一方面可以有效地提高小样本区域的分类精度,进而提高RVM的总体分类精度,使得RVM与SVM相比在高光谱图像精细分类方面更具优势．
%K 高光谱图像
%K 分类
%K 支持向量机
%K 相关向量机
%U http://journal.hit.edu.cn/hitxb_cn/ch/reader/view_abstract.aspx?file_no=20120307&flag=1