svm-rfe高光谱数据波段选择中核函数的研究

基于支持向量机(svm)的迭代特征删除(svm-rfe)法用于高光谱数据波段选择时,常用的非线性核函数训练时间长,并且每删除一个波段均需要重新训练svm,总体效率低。研究表明在svm分类中非线性核函数并不一定优于线性核函数。对比分析了两种核函数svm在svm-rfe中对分类结果的影响,并设计了两种提高svm-rfe效率的策略：比率加速法和固定加速法。通过对aviris高光谱数据实验得出：①svm的分类精度随着冗余波段的增加而略微下降,即从分类精度上考虑svm也需要特征选择；②相对于非线性核svm-rfe,线性svm\|rfe选择出的最佳波段组合分类精度高1%~3%,训练时间极大减少；③两种效率优化策略均能提高特征选择效率,比率加速法在时间效率和分类精度上均优于固定加速法。