论文部分内容阅读
支持向量机(SVM)作为一种最新的也是最有效的统计学习方法，近年来成为模式识别与机器学习领域的研究热点。本论文从核函数和约束条件两个方面研究了SVM分类器的分类性能和泛化能力，创新性地提出了一种基于小波核的双重加权SVM分类模型，实现了类别样本数加权和特征重要性加权的双重加权模式，既能良好地表现影像细节，又能平衡不同样本类别分类的正确率，并有效避免被弱相关或不相关特征所支配。以IRS-P6 LISS2多光谱影像数据为例进行分类实验，结果表明；本文构建的分类模型较传统方法和标准SVM分类器更利于识别细节信息和小样本类别，并且能有效减少支持向量个数，提高泛化能力，为环境空间格局的分类提供了有力的工具。