基于SVM的遥感云图分类算法优化与特征选择

本篇硕士学位论文深入探讨了"基于SVM的遥感影像云分类研究"这一主题，由广西大学的朱杰撰写，专业背景为计算机软件与理论，指导教师为秦亮曦。论文主要针对遥感影像云分类的挑战，尤其是面对遥感数据的高维性和样本不足问题。SVM（支持向量机）作为一种在统计学习理论中有效处理高维数据的方法，被引入到该研究中。 作者首先回顾了云分类的历史和现状，分析了其重要性以及在卫星云图分析中的难点。传统的分类算法在处理遥感图像云分类时的局限性被指出，包括处理规模大、复杂性高和易陷于局部极小点等问题。相比之下，SVM的优势在于其在保持低维表示的同时，能有效地解决这些问题。 论文接着详述了SVM的学习过程，强调了其在性能和优点方面的特性，但也指出了核函数和参数模型选择的困难，这是SVM在遥感云分类应用中的关键挑战。同时，论文介绍了云理论，展示其在云分类中的天然契合性，尤其是在处理模糊性和随机性方面的优势。 针对高分辨率遥感数据带来的样本稀疏和维度增加问题，作者提出了一个基于SVM权重向量的特征选择方法，旨在降低数据复杂度并突出对分类效果关键的特征。通过这种方法，作者构建了一种新的云分类器，利用云模型对训练集属性进行建模，再将这些模型整合到最终的分类模型中。 这篇论文不仅深入分析了遥感云分类的技术挑战，还展示了如何利用SVM和云理论的优势来改进分类性能，特别是在特征选择和模型构建方面的创新。这为遥感云图的自动分析提供了有价值的新思路和技术支持。