文献检索-宁波市创意产业特色资源库

限定检索结果

基于PCA与t-SNE特征降维的城市植被SVM识别方法: 收藏
分享
引用; 《实验室研究与探索》2019年第12期38卷 135-140页; 作者：于慧伶霍镜宇张怡卓蒋毅东北林业大学信息与计算机工程学院哈尔滨150040 东北林业大学机电工程学院哈尔滨150040 黑龙江省计算中心哈尔滨150001; 以高光谱图像降维为研究问题,针对主成分分析法(PCA)投影结果混叠、线性不可分和t-分布式随机邻域嵌入算法(t-SNE)内存占用大、运行时间长等不足,提出了一种基于PCA与t-SNE结合的高光谱图像降维方法。设计了基于SVM的城市植被识别模型,...; 以高光谱图像降维为研究问题,针对主成分分析法(PCA)投影结果混叠、线性不可分和t-分布式随机邻域嵌入算法(t-SNE)内存占用大、运行时间长等不足,提出了一种基于PCA与t-SNE结合的高光谱图像降维方法。设计了基于SVM的城市植被识别模型,有效地提高了运行速率,进而更好地提取高光谱图像的本质特征,提高了高光谱图像中城市植被的分类精度。实验选取肯尼迪航天中心(KSC)数据为对象,结果表明,PCA-t-SNE-SVM算法总体分类精度可达92.06%,Kappa系数为0.91时,分类效果最优,相较于PCA-SVM和t-SNE-SVM算法,总体分类精度分别提高了13.51%和3.33%,Kappa系数分别提高了0.15和0.04,均表现出良好的性能。; 来源：详细信息评论

限定检索结果