掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
宇宙、量子和人類心靈
-
>
氣候文明史
-
>
南極100天
-
>
考研數學專題練1200題
-
>
希格斯:“上帝粒子”的發明與發現
-
>
神農架疊層石:10多億年前遠古海洋微生物建造的大堡礁
-
>
聲音簡史
買過本商品的人還買了
遙感多分類器集成方法與應用 版權信息
- ISBN：9787030627360
- 條形碼：9787030627360 ; 978-7-03-062736-0
- 裝幀：平裝膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
遙感多分類器集成方法與應用 本書特色
分類是遙感影像處理和地學應用中*重要的內容之一，多分類器集成則是提高影像分類精度、控制不確定性的有效策略！哆b感多分類器集成方法與應用》在介紹遙感影像分類、集成學習和多分類器系統基本知識的基礎上，對遙感多分類器集成的理論、方法和應用進行系統探討。首先，簡要介紹遙感影像分類的基本概念、基本理論和常用分類器，論述多分類器集成的重要性和研究進展。然后，從集成學習、多分類器系統的基本理論和方法出發，提出遙感多分類器集成的實現策略，系統探討樣本層和特征層集成學習算法，包括Boosting、Bagging、隨機森林等在遙感影像分類中的應用，并將**的集成學習方法旋轉森林應用于遙感影像分類，進行系統的改進和優化。同時，研究異質多分類器集成在遙感影像分類中的應用，重點對分類器選擇、組合策略、動態分類器組成等進行探討。*后，對遙感多分類器集成的若干應用進行實例介紹和系統總結。
遙感多分類器集成方法與應用 內容簡介
本書在介紹遙感影像分類、集成學習和多分類器系統基本知識的基礎上, 對遙感多分類器集成的理論、方法和應用進行系統探討。首先, 簡要介紹遙感影像分類的基本概念、基本理論和常用分類器, 論述多分類器集成的重要性和研究進展。然后, 從集成學習、多分類器系統的基本理論和方法出發, 提出遙感多分類器集成的實現策略, 系統探討樣本層和特征層集成學習算法, 包括Boosting、Bagging、隨機森林等在遙感影像分類中的應用, 并將新的集成學習方法旋轉森林應用于遙感影像分類, 進行系統的改進和優化。同時, 研究異質多分類器集成在遙感影像分類中的應用, 重點對分類器選擇、組合策略、動態分類器組成等進行探討。*后, 對遙感多分類器集成的若干應用進行實例介紹和系統總結。
遙感多分類器集成方法與應用 目錄
目錄
“地球觀測與導航技術叢書”編寫說明
前言
第1章 緒論 1
1.1 遙感影像分類基礎 1
1.2 遙感影像分類技術流程和關鍵問題 9
1.3 常用遙感影像分類方法 13
1.4 遙感多分類器集成概述 26
1.5 遙感影像分類研究進展 28
參考文獻 30
第2章 集成學習與多分類器系統 38
2.1 集成學習理論基礎 38
2.2 多分類器系統 41
2.3 遙感多分類器集成實現方法 43
2.4 遙感多分類器集成關鍵問題 45
2.5 本章小結 49
參考文獻 49
第3章 基于樣本和特征的多分類器集成 54
3.1 Boosting算法實現與應用 54
3.2 Bagging算法實現與應用 60
3.3 MultiBoost算法實現與應用 61
3.4 隨機子空間算法實現與應用 63
3.5 隨機森林算法實現與應用 64
3.6 算法綜合試驗與比較分析 67
3.7 本章小結 74
參考文獻 74
第4章 基于旋轉森林的遙感影像分類 79
4.1 旋轉森林原理 80
4.2 嵌入馬爾可夫隨機場模型和局部線性特征提取的旋轉森林分類 91
4.3 基于擴展形態學剖面和極限學習機的旋轉森林 99
4.4 基于旋轉森林的全極化SAR影像分類 109
4.5 本章小結 122
參考文獻 122
第5章 異質分類器集成方法與應用 126
5.1 多分類器層次型組合與應用 126
5.2 監督/半監督特征提取與多分類器集成應用 130
5.3 異質分類器決策級融合與應用 136
5.4 動態多分類器集成與應用 139
5.5 基于支持向量機的分類器集成方法 153
5.6 本章小結 158
參考文獻 158
第6章 遙感多分類器集成應用 161
6.1 全極化SAR影像多分類器集成應用 161
6.2 基于多分類器集成的光學和SAR影像協同分類應用 184
6.3 高分辨率光學影像與機載LiDAR數據多分類器集成 195
6.4 基于多差異影像集成的變化檢測 208
6.5 本章小結 218
參考文獻 218
彩圖
“地球觀測與導航技術叢書”編寫說明
前言
第1章 緒論 1
1.1 遙感影像分類基礎 1
1.2 遙感影像分類技術流程和關鍵問題 9
1.3 常用遙感影像分類方法 13
1.4 遙感多分類器集成概述 26
1.5 遙感影像分類研究進展 28
參考文獻 30
第2章 集成學習與多分類器系統 38
2.1 集成學習理論基礎 38
2.2 多分類器系統 41
2.3 遙感多分類器集成實現方法 43
2.4 遙感多分類器集成關鍵問題 45
2.5 本章小結 49
參考文獻 49
第3章 基于樣本和特征的多分類器集成 54
3.1 Boosting算法實現與應用 54
3.2 Bagging算法實現與應用 60
3.3 MultiBoost算法實現與應用 61
3.4 隨機子空間算法實現與應用 63
3.5 隨機森林算法實現與應用 64
3.6 算法綜合試驗與比較分析 67
3.7 本章小結 74
參考文獻 74
第4章 基于旋轉森林的遙感影像分類 79
4.1 旋轉森林原理 80
4.2 嵌入馬爾可夫隨機場模型和局部線性特征提取的旋轉森林分類 91
4.3 基于擴展形態學剖面和極限學習機的旋轉森林 99
4.4 基于旋轉森林的全極化SAR影像分類 109
4.5 本章小結 122
參考文獻 122
第5章 異質分類器集成方法與應用 126
5.1 多分類器層次型組合與應用 126
5.2 監督/半監督特征提取與多分類器集成應用 130
5.3 異質分類器決策級融合與應用 136
5.4 動態多分類器集成與應用 139
5.5 基于支持向量機的分類器集成方法 153
5.6 本章小結 158
參考文獻 158
第6章 遙感多分類器集成應用 161
6.1 全極化SAR影像多分類器集成應用 161
6.2 基于多分類器集成的光學和SAR影像協同分類應用 184
6.3 高分辨率光學影像與機載LiDAR數據多分類器集成 195
6.4 基于多差異影像集成的變化檢測 208
6.5 本章小結 218
參考文獻 218
彩圖
展開全部
書友推薦
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
推拿
- >
回憶愛瑪儂
- >
小考拉的故事-套裝共3冊
- >
我與地壇
- >
煙與鏡
- >
月亮虎
- >
名家帶你讀魯迅:朝花夕拾
本類暢銷
