【论文阅读】SVM for classification in remote sensing
遥感怎么分类的 题目:Support vector machines for classification in remote sensing 作者:M. PAL,P. M. MATHER 英国诺丁汉大学地理学院 一、综述 文章旨在比较SVM、最大似然法(ML)及人工神经网络(ANN)在分类任务中的准确率。使用的数据为Landsat-7 ETM+(多光谱数据)和DAIS(高光谱数据),实验区域为:英格兰东部和西班牙中部。 1995年Vapnik提出了SVM替代神经网络分类器,后有人将其应用在遥感数据分类上。SVM基于统计学习理论,确定分类边界,得到理想的分类结果。比如,在线性可分的二分类模式识别问题中,SVM从大量线性决策边界中选取最小化泛化误差的边界。被选择的边界应在两类之间留下最大空白区域,这个区域的宽度为超平面到两类最近点的距离之和。使用标准二次规划(QP)优化方法可以达到空白区域最大化。离超平面最近的数据点用来测量空白区域,成为支持向量,数量很小。 如果二分类线性不可分,SVM会尝试寻找既能最大化空白区域又能最小化错分误差的超平面。用户定义一个常量来平衡空白区域和误差。SVM也可处理非线性,Boser(1992)使用核函数将输入数据映射到高维空间,并明确表达了线性分类器的方法。Vapink(1995)有更多的讨论。 对于N分类问题,SVM需要划分N个超平面