摘要:高光谱图像分类研究中,集成学习能够显著地提高分类效果。但是传统的并行多分类系统对基础分类器有较高要求,即要求差异性及分类均衡。为了解决这一问题,采用Stacking Learning的堆栈式学习方式,首先使用K-Fold和交叉验证的方式进行数据分割和训练,将原始特征进行特征变换,重新构建二级特征。再使用新特征进行对Meta分类器进行训练得到判决分类器,用于样本的最后分类判断。实验结果表明,采用的Stacking Learning方法不依赖基础分类器,且相比较于传统的多分类系统具有更高的精度和良好的稳定性。
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社
热门期刊服务
Science China Earth Sciences ITS通讯 Journal of Systems Science and Complexity Chinese Optics Letters Advances in Atmospheric Sciences Chinese Annals of Mathematics,Series B Research in Astronomy and Astrophysics Science China Chemistry Science China Mathematics Transactions of Nonferrous Metals Society of China Journal of Systems Engineering and Electronics Chinese Annals of Mathematics Series B相关文章
sts教育论文