一种SVM-RFE高光谱数据特征选择算法

美国《工程索引》（EI）核心期刊
美国《剑桥科学文摘》（CSA）收录期刊
荷兰斯高帕斯数据库（Scopus）收录期刊
英国INSPEC数据库（SA）收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种SVM-RFE高光谱数据特征选择算法

张睿, 马建文

文章导航 > 武汉大学学报 ( 信息科学版) > 2009 > 34(7): 834-837

张睿, 马建文. 一种SVM-RFE高光谱数据特征选择算法[J]. 武汉大学学报 ( 信息科学版), 2009, 34(7): 834-837.

引用本文:

张睿, 马建文. 一种SVM-RFE高光谱数据特征选择算法[J]. 武汉大学学报 ( 信息科学版), 2009, 34(7): 834-837.

ZHANG Rui, MA Jianwen. A Feature Selection Algorithm for Hyperspectual Data with SVM-RFE[J]. Geomatics and Information Science of Wuhan University, 2009, 34(7): 834-837.

Citation:

ZHANG Rui, MA Jianwen. A Feature Selection Algorithm for Hyperspectual Data with SVM-RFE[J]. Geomatics and Information Science of Wuhan University, 2009, 34(7): 834-837.

一种SVM-RFE高光谱数据特征选择算法

张睿^1,2,
马建文³

¹中国科学院遥感应用研究所,北京市大屯路甲11号100101;²中国科学院研究生院,北京市玉泉路甲19号,100049;³中国科学院对地观测与数字地球科学中心,北京市中关村北一条9号100190

基金项目: 中国科学院知识创新工程重大资助项目(KZCX2-YW-313-3)；国家863计划资助项目(2007AA12Z157)；国家973计划资助项目(2007CB714406)

作者简介:
张睿,博士生,主要从事遥感数据智能处理研究。

中图分类号: P237.4

A Feature Selection Algorithm for Hyperspectual Data with SVM-RFE

ZHANG Rui^1,2,
MA Jianwen³

¹ Institute of Remote Sensing Applications,CAS,11A Datun Road,Beijing 100101,China;² Graduate University of CAS,19A Yuquan Road,Beijing 100049,China;³ Center for Earth Observation and Digital Earth,CAS,9 Beiyitiao,Zhongguancun,Beijing 100190,China

Funds: 中国科学院知识创新工程重大资助项目(KZCX2-YW-313-3)；国家863计划资助项目(2007AA12Z157)；国家973计划资助项目(2007CB714406)

摘要: 提出了一种基于一对一(one-verse-one,OVO)多类策略的支持向量机递归特征约减算法(supportvector machine recursive feature elimination,SVM-RFE)用于高光谱数据的特征选择。对比分析了该算法所选择波段与基于一对多(one-verse-all,OVA)策略的SVM-RFE算法、MSVM-RFE算法以及OneRI、nfoGain、ReliefF等3种基于特征排序的方法所选择波段在高光谱数据分类中的精度表现。结果显示,OVO SVM-RFE算法是一种可靠有效的高光谱数据特征选择算法,并且所选择波段在分类精度方面优于5种对比算法。
- SVM-RFE /
- 特征选择 /
- 高光谱
Abstract: Many conventional classification algorithms have difficulties to be applied to hyperspectral data directly due to huge band number and high correlation among bands.Hence,how to reduce the band number and preserve the information of original data as much as possible simultaneously is an on-going issue.An algorithm of feature selection for hyperspectral data based on one-verse-one support vector machines recursive feature eliminate(OVO SVM-RFE) is proposed.The AVIRIS hyperspectral data was utilized to summarize the principle and characteristic in feature selection.The algorithm was compared to the one-verse-all SVM-RFE(OVA SVM-RFE),MSVM-RFE,OneR,InfoGain and ReliefF approach for feature selection in classification accuracy using support vector machines classifier.Experimental results indicate that the OVO SVM-RFE is a reliable and effective approach of feature selection for hyperspectral data and is superior to other five algorithms in accuracy of classification for selected bands.
- SVM-RFE /
- feature selection /
- hypersectral data

[1]	汪韬阳, 李熙, 田礼乔, 陈振炜, 李治江, 张过, 李德仁, 沈欣, 李欣, 蒋博洋, 周屈, 邓实权, 王剑茹, 朱浩楠. 城市建筑群航天遥感动态监测 . 武汉大学学报 ( 信息科学版), 2020, 45(5): 640-650. doi: 10.13203/j.whugis20200096
[2]	韩波, 李衡, 王志波, 崔晓晖. 气溶胶光学厚度估测中的LASSO特征选择方法 . 武汉大学学报 ( 信息科学版), 2018, 43(4): 536-541. doi: 10.13203/j.whugis20160014
[3]	刘秀英, 王力, 常庆瑞, 宋荣杰. 利用包络线消除法反演黄绵土水分含量 . 武汉大学学报 ( 信息科学版), 2017, 42(5): 661-668. doi: 10.13203/j.whugis20150006
[4]	秦占飞, 申健, 谢宝妮, 严林, 常庆瑞. 引黄灌区水稻叶面积指数的高光谱估测模型 . 武汉大学学报 ( 信息科学版), 2017, 42(8): 1159-1166. doi: 10.13203/j.whugis20150132
[5]	秦占飞, 常庆瑞, 申健, 于洋, 刘佳岐. 引黄灌区水稻红边特征及SPAD高光谱预测模型 . 武汉大学学报 ( 信息科学版), 2016, 41(9): 1168-1175. doi: 10.13203/j.whugis20140516
[6]	方圣辉, 乐源, 梁琦. 基于连续小波分析的混合植被叶绿素反演 . 武汉大学学报 ( 信息科学版), 2015, 40(3): 296-302.
[7]	王云艳, 何楚, 涂峰, 陈东, 廖明生. 特征选择双层svm的融合算法用于极化sar图像分类 . 武汉大学学报 ( 信息科学版), 2015, 40(9): 1157-1162. doi: 10.13203/j .whu g is20140351
[8]	彭小婷, 高文秀, 王俊杰. 基于包络线去除和偏最小二乘的土壤参数光谱反演 . 武汉大学学报 ( 信息科学版), 2014, 39(7): 862-866.
[9]	李雪, 舒宁, 李井冈, 刘小利. 基于特征贡献选择的遥感影像变化检测方法研究 . 武汉大学学报 ( 信息科学版), 2013, 38(10): 1158-1162.
[10]	赵海涛, 张兵, 左正立, 陈正超. 推扫式高光谱传感器集成的POS系统视准轴及位置偏差检校 . 武汉大学学报 ( 信息科学版), 2013, 38(8): 973-977.
[11]	余晓敏, 湛飞并, 廖明生, 胡金星. 利用改进SEaTH算法的面向对象分类特征选择方法 . 武汉大学学报 ( 信息科学版), 2012, 37(8): 921-924.
[12]	刘梦玲, 陈嘉宇, 孙洪. Joint Boost特征选择的SAR信息可视化技术研究 . 武汉大学学报 ( 信息科学版), 2012, 37(10): 1240-1243.
[13]	何楚, 刘明, 许连玉, 刘龙珠. 利用特征选择自适应决策树的层次SAR图像分类 . 武汉大学学报 ( 信息科学版), 2012, 37(1): 46-49.
[14]	李祖传, 马建文, 张睿, 李利伟. 利用融合纹理与形态特征进行地震倒塌房屋信息自动提取 . 武汉大学学报 ( 信息科学版), 2010, 35(4): 446-450.
[15]	杨柳, 刘艳芳. 将微粒群和支持向量机用于耕地驱动因子选择的研究 . 武汉大学学报 ( 信息科学版), 2010, 35(2): 248-251.
[16]	龚龑, 舒宁. 基于层次密度分析的遥感影像分割方法 . 武汉大学学报 ( 信息科学版), 2008, 33(3): 310-313.
[17]	龚衍, 舒宁. 非参数吉布斯模型和多波段遥感影像纹理分割方法研究 . 武汉大学学报 ( 信息科学版), 2007, 32(7): 581-584.
[18]	叶志伟, 郑肇葆, 万幼川, 虞欣. 基于蚁群优化的特征选择新方法 . 武汉大学学报 ( 信息科学版), 2007, 32(12): 1127-1130.
[19]	金淑英, 李德仁, 龚健雅. 基于偏最小二乘回归的纹理特征线性组合 . 武汉大学学报 ( 信息科学版), 2006, 31(5): 399-402.
[20]	吴波, 张良培, 李平湘. 基于支撑向量机概率输出的高光谱影像混合像元分解 . 武汉大学学报 ( 信息科学版), 2006, 31(1): 51-54.

WeChat

点击查看大图

计量

文章访问数: 1368
HTML全文浏览量: 65
PDF下载量: 448
被引次数: 0

一种SVM-RFE高光谱数据特征选择算法

张睿^1,2,
马建文³

¹中国科学院遥感应用研究所,北京市大屯路甲11号100101;²中国科学院研究生院,北京市玉泉路甲19号,100049;³中国科学院对地观测与数字地球科学中心,北京市中关村北一条9号100190

基金项目: 中国科学院知识创新工程重大资助项目(KZCX2-YW-313-3)；国家863计划资助项目(2007AA12Z157)；国家973计划资助项目(2007CB714406)

作者简介:
张睿,博士生,主要从事遥感数据智能处理研究。

收稿日期: 2009-05-22
修回日期: 2009-05-22
刊出日期: 2009-07-05

中图分类号: P237.4

关键词:

摘要: 提出了一种基于一对一(one-verse-one,OVO)多类策略的支持向量机递归特征约减算法(supportvector machine recursive feature elimination,SVM-RFE)用于高光谱数据的特征选择。对比分析了该算法所选择波段与基于一对多(one-verse-all,OVA)策略的SVM-RFE算法、MSVM-RFE算法以及OneRI、nfoGain、ReliefF等3种基于特征排序的方法所选择波段在高光谱数据分类中的精度表现。结果显示,OVO SVM-RFE算法是一种可靠有效的高光谱数据特征选择算法,并且所选择波段在分类精度方面优于5种对比算法。

English Abstract

张睿, 马建文. 一种SVM-RFE高光谱数据特征选择算法[J]. 武汉大学学报 ( 信息科学版), 2009, 34(7): 834-837.

引用本文:

张睿, 马建文. 一种SVM-RFE高光谱数据特征选择算法[J]. 武汉大学学报 ( 信息科学版), 2009, 34(7): 834-837.

ZHANG Rui, MA Jianwen. A Feature Selection Algorithm for Hyperspectual Data with SVM-RFE[J]. Geomatics and Information Science of Wuhan University, 2009, 34(7): 834-837.

Citation:

ZHANG Rui, MA Jianwen. A Feature Selection Algorithm for Hyperspectual Data with SVM-RFE[J]. Geomatics and Information Science of Wuhan University, 2009, 34(7): 834-837.

全文HTML

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

我要投稿

投稿攻略

联系我们

二维码