作者：徐凯; 崔颖高光谱图像多分类系统stackinglearning集成学习交叉验证图像分类特征变换
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
