旋转森林与极限学习相结合的遥感影像分类方法

论文摘要

针对旋转森林算法（rotation forest,RF）处理遥感影像分类时容易出现过拟合现象,以及极限学习算法（extreme learning machine,ELM）泛化性能较差问题,提出一种将旋转森林与极限学习相结合（RF-ELM）的影像分类算法。该方法首先用旋转森林算法对基分类器进行训练,然后利用极限学习算法作为基分类器解决旋转森林中存在的过拟合问题。通过利用Landsat-8遥感影像分别对比RF、ELM、Bag-ELM和RF-ELM进行分类实验。结果表明,所提出的集成方法比RF、ELM单一算法具有更高的分类精度,相比Bag-ELM具有更高泛化能力,有效改善了分类过拟合现象,计算效率也继承了ELM快速运算的特点。

论文目录

文章来源

类型: 期刊论文

作者: 肖东升,鲁恩铭,刘福臻

关键词: 旋转森林,极限学习,算法互补性,集成分类器,影像分类

来源: 遥感信息 2019年03期

年度: 2019

分类: 信息科技,基础科学,工程科技Ⅱ辑

专业: 工业通用技术及设备,自动化技术

单位: 西南石油大学土木工程与建筑学院

基金: 国家自然科学基金(51774250),四川省科技创新苗子工程(2017104)

分类号: TP751;TP181

页码: 93-98

总页数: 6

文件大小: 471K

下载量: 158

相关论文文献

标签：旋转森林论文;  极限学习论文;  算法互补性论文;  集成分类器论文;  影像分类论文;