一种基于半监督集成svm的土地覆盖分类模型

目前,支持向量机技术(svm)在遥感信息获取中普遍受到参数选择不准确和小样本问题的制约。针对这些问题,提出一种新的半监督集成svm(eps3vm)分类模型。模型一方面利用自适应变异粒子群优化算法对svm参数寻优以提高基分类器精度(psvm)；另一方面采用自训练算法(self-training),充分利用大量廉价的未标记样本产生性能差异的半监督分类器个体(ps3vm),其中,在未标记样本标注过程中,引入模糊聚类算法(gustafson-kessel)来控制错误类别的输入,最后对个体分类器采用加权集成策略,以进一步提高分类模型的泛化能力。为了测试其性能,应用该模型进行多光谱遥感影像的土地覆盖分类实验,并与psvm、ps3vm进行对比,分类精度从psvm的88.48%提高到96.88%,kappa系数由0.8546提高到0.9606。结果表明,eps3vm在克服传统svm参数选择不准确的同时,有效地应对了小样本问题,分类性能更优。