论文部分内容阅读
高光谱图像较高的光谱分辨率极大地突出了地物的光谱属性信息，使得地物的精确分类成为可能。支持向量机(SVM)是建立在结构风险最小化和VC维理论基础上，在模型复杂度与系统学习能力之间寻求最佳折中，在解决非线性高维模式识别中表现出特有的优势。相关向量机(RVM)是在贝叶斯框架基础上提出一种稀疏机器学习模型，由于RVM引入了超参数，极大地减少了核函数的计算量。本文通过对支持向量机与相关向量机的理论对比分析，将这两种机器学习算法应用在高光谱图像分类中，实验结果显示支持向量机的总体分类精度要略高于相关向量机的总体分类精度。