将微粒群和支持向量机用于耕地驱动因子选择的研究

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

将微粒群和支持向量机用于耕地驱动因子选择的研究

杨柳, 刘艳芳

文章导航 > 武汉大学学报 ( 信息科学版) > 2010 > 35(2): 248-251

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[J]. 武汉大学学报 ( 信息科学版), 2010, 35(2): 248-251.

引用本文:

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[J]. 武汉大学学报 ( 信息科学版), 2010, 35(2): 248-251.

YANG Liu, LIU Yanfang. Feature Subset Selection for Driving Forces of Cultivated Land Based on PSO-SVM[J]. Geomatics and Information Science of Wuhan University, 2010, 35(2): 248-251.

Citation:

YANG Liu, LIU Yanfang. Feature Subset Selection for Driving Forces of Cultivated Land Based on PSO-SVM[J]. Geomatics and Information Science of Wuhan University, 2010, 35(2): 248-251.

将微粒群和支持向量机用于耕地驱动因子选择的研究

杨柳¹,
刘艳芳^2,3

¹武汉理工大学资源与环境工程学院,武汉市珞狮路122号430070;²武汉大学资源与环境科学学院,武汉市珞喻路129号430079;³武汉大学地理信息系统教育部重点实验室,武汉市珞喻路129号,430079

基金项目: 国家863计划资助项目(2007AA12Z225)；国家“十一五”支撑计划资助项目(2006BAB15B04)

作者简介:
杨柳,讲师,博士,现主要从事土地利用规划、空间数据挖掘等研究。

中图分类号: P271

Feature Subset Selection for Driving Forces of Cultivated Land Based on PSO-SVM

YANG Liu¹,
LIU Yanfang^2,3

¹School of Resources and Environment Engineering,Wuhan University of Technology,122 Luoshi Road,Wuhan 430070,China;²School of Resource and Environment Science,Wuhan University,129 Luoyu Road,Wuhan 430079,China;³Key Laboratory of Geographic Information System,Ministry of Education,Wuhan University,129 Luoyu Road,Wuhan 430079,China

Funds: 国家863计划资助项目(2007AA12Z225)；国家“十一五”支撑计划资助项目(2006BAB15B04)

摘要: 结合微粒群算法(PSO)具有执行速度快、受问题维数变化影响小的优点及支持向量机算法(SVM)结构风险最小化原理,构建了基于离散二进制微粒群(BPSO)与支持向量机的耕地驱动力因子选择方法,使用特征子集中确定的特征来训练支持向量回归机,用适应度函数来评价回归机的性能,指导BPSO的搜索。实验表明,该方法能有效地提取出耕地驱动因子的特征子集,从而降低了指标的维数,保留了关键信息,以获得知识的最小表达。
- 驱动力 /
- 微粒群 /
- 支持向量机 /
- 特征选择
Abstract: The particle swarm optimization(PSO) has the character of the high implementing speed.It is little affected by dimension.The support vector machines(SVM) is based on the theory of structural risk minimization.Combining the binary particle swarm optimization(BPSO) and the SVM,the feature subset selection for driving forces of cultivated land is constructed.This method uses the features defined in the feature subset to train the SVM which is evaluated by fitness fuction.The result of fitness fuction is utilized to direct the BPSO to search.The case study shows that this method has the excellent efficiency to select the feature subset.
- driving forces /
- particle swarm optimization /
- support vector machines /
- feature subset selection

[1]	段佩祥, 钱海忠, 何海威, 谢丽敏, 罗登瀚. 基于支持向量机的线化简方法 . 武汉大学学报 ( 信息科学版), 2020, 45(5): 744-752, 783. doi: 10.13203/j.whugis20180434
[2]	祝胜男, 郭炜炜, 柳彬, 张增辉, 郁文贤. 利用超像素级上下文特征进行靠岸集装箱船检测 . 武汉大学学报 ( 信息科学版), 2019, 44(4): 578-585. doi: 10.13203/j.whugis20170129
[3]	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
[4]	李粉玲, 常庆瑞, 刘佳岐, 刘京. 基于多纹理和支持向量机的ZY-102C星HR数据分类 . 武汉大学学报 ( 信息科学版), 2016, 41(4): 455-461,486. doi: 10.13203/j.whugis20140356
[5]	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
[6]	彭令, 牛瑞卿, 赵艳南, 邓清禄. 基于核主成分分析和粒子群优化支持向量机的滑坡位移预测 . 武汉大学学报 ( 信息科学版), 2013, 38(2): 148-152,161.
[7]	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.
[8]	武雪玲, 任福, 牛瑞卿, 彭令. 斜坡单元支持下的滑坡易发性评价支持向量机模型 . 武汉大学学报 ( 信息科学版), 2013, 38(12): 1499-1503.
[9]	刘殿锋, 刘耀林, 刘艳芳, 赵翔. 多目标微粒群算法用于土地利用空间优化配置 . 武汉大学学报 ( 信息科学版), 2013, 38(6): 751-755.
[10]	巫兆聪, 欧阳群东, 胡忠文. 应用分水岭变换与支持向量机的极化SAR图像分类 . 武汉大学学报 ( 信息科学版), 2012, 37(1): 7-10.
[11]	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.
[12]	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.
[13]	范千, 花向红. 基于相空间重构与支持向量机预测滑坡位移的一种新方法 . 武汉大学学报 ( 信息科学版), 2009, 34(2): 248-251.
[14]	杨明, 郭仁忠, 李全. 快速城市化地区建设用地演变驱动力研究——以深圳市龙岗区为例 . 武汉大学学报 ( 信息科学版), 2009, 34(2): 170-173.
[15]	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.
[16]	陈刚, 鄂栋臣. 基于纹理分析和支持向量机的极地冰雪覆盖区的云层检测 . 武汉大学学报 ( 信息科学版), 2006, 31(5): 403-406.
[17]	徐芳, 梅文胜, 燕琴. 支持向量机中遗传模糊C-均值的样本预选取方法 . 武汉大学学报 ( 信息科学版), 2005, 30(10): 921-924.
[18]	梅建新, 段汕, 秦前清. 基于支持向量机的特定目标检测方法 . 武汉大学学报 ( 信息科学版), 2004, 29(10): 912-915,932.
[19]	徐芳, 燕琴. 基于支持向量机的航空影像纹理分类研究 . 武汉大学学报 ( 信息科学版), 2003, 28(5): 517-520.
[20]	李静波, 关雪峰, 曾星, 杨昌兰, 邢巍然, 吴华意. 长株潭城市群建成区时空扩展特征及驱动力分析 . 武汉大学学报 ( 信息科学版), 0, 0(0): -. doi: 10.13203/j.whugis20210634

WeChat

点击查看大图

计量

文章访问数: 639
HTML全文浏览量: 40
PDF下载量: 385
被引次数: 0

将微粒群和支持向量机用于耕地驱动因子选择的研究

杨柳¹,
刘艳芳^2,3

¹武汉理工大学资源与环境工程学院,武汉市珞狮路122号430070;²武汉大学资源与环境科学学院,武汉市珞喻路129号430079;³武汉大学地理信息系统教育部重点实验室,武汉市珞喻路129号,430079

基金项目: 国家863计划资助项目(2007AA12Z225)；国家“十一五”支撑计划资助项目(2006BAB15B04)

作者简介:
杨柳,讲师,博士,现主要从事土地利用规划、空间数据挖掘等研究。

收稿日期: 2009-12-17
修回日期: 2009-12-17
刊出日期: 2010-02-05

中图分类号: P271

关键词:

支持向量机 /

摘要: 结合微粒群算法(PSO)具有执行速度快、受问题维数变化影响小的优点及支持向量机算法(SVM)结构风险最小化原理,构建了基于离散二进制微粒群(BPSO)与支持向量机的耕地驱动力因子选择方法,使用特征子集中确定的特征来训练支持向量回归机,用适应度函数来评价回归机的性能,指导BPSO的搜索。实验表明,该方法能有效地提取出耕地驱动因子的特征子集,从而降低了指标的维数,保留了关键信息,以获得知识的最小表达。

English Abstract

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[J]. 武汉大学学报 ( 信息科学版), 2010, 35(2): 248-251.

引用本文:

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[J]. 武汉大学学报 ( 信息科学版), 2010, 35(2): 248-251.

YANG Liu, LIU Yanfang. Feature Subset Selection for Driving Forces of Cultivated Land Based on PSO-SVM[J]. Geomatics and Information Science of Wuhan University, 2010, 35(2): 248-251.

Citation:

YANG Liu, LIU Yanfang. Feature Subset Selection for Driving Forces of Cultivated Land Based on PSO-SVM[J]. Geomatics and Information Science of Wuhan University, 2010, 35(2): 248-251.

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