機器學習領域中存在許多有效的學習模型,它們可被用于解決各種真實世界的應用問題。常見的機器學習方法有支持向量機、人工神經網絡、K近鄰算法、樸素貝葉斯、決策樹等。其中,人工神經網絡以其獨特多變的網絡結構和強大的關系模擬能力成為機器學習領域中最流行的方法之一。作為人工神經網絡的學習算法之一,超限學習機具有簡單、快速、有效的特性,它專門用于解決單隱層前饋式神經網絡的模型建立。由于其潛在的優點,超限學習機已經在許多應用領域中取得了顯著的效果,但它的學習模型和算法性能也面臨著兩個嚴峻的挑戰:(1)網絡參數隨機生成的問題。超限學習機的網絡輸入連接參數和隱含層閾值隨機產生,其網絡輸出連接參數通過分析計算。隨機生成的網絡連接參數容易導致超限學習機模型在解決實際應用問題中性能不足的現象。(2)小樣本數據問題。在某些實際應用中,數據樣本的獲取是十分困難的,這樣容易導致樣本不足。在處理這樣的小樣本數據問題時,超限學習機容易出現過擬合的現象。上述兩個潛在的問題是從超限學習機的算法層面上考慮的。目前,超限學習機在高光譜遙感圖像中的應用也受到了廣泛的關注。在應用層面上,傳統的超限學習機僅使用基本的光譜特征進行學習,...

【文章頁數】：120 頁

【學位級別】：博士

【文章目錄】：
作者簡歷
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現狀
        1.2.1 超限學習機簡述
        1.2.2 超限學習機的相關研究
        1.2.3 高光譜遙感圖像的分類研究
        1.2.4 基于超限學習機的遙感圖像分類研究
    1.3 論文的研究內容
    1.4 本文的組織結構
第二章 基于文化基因的超限學習機算法
    2.1 引言
    2.2 文化基因算法
    2.3 基于文化基因的超限學習機算法
        2.3.1 種群初始化
        2.3.2 算法模型訓練
        2.3.3 算法模型測試
    2.4 算法分析
    2.5 實驗及結果分析
        2.5.1 實驗數據和參數
        2.5.2 對比方法
        2.5.3 評價標準和統計
        2.5.4 實驗對比
        2.5.5 統計與分析
        2.5.6 魯棒性分析
    2.6 本章小結
第三章 基于稀疏自編碼機的超限學習機算法
    3.1 引言
    3.2 基于超限學習機的自編碼機
    3.3 基于自編碼機的超限學習機算法
        3.3.1 預訓練參數學習
        3.3.2 算法模型訓練
        3.3.3 算法模型測試
    3.4 算法分析
        3.4.1 可行性分析
        3.4.2 可擴展性分析
    3.5 實驗及結果分析
        3.5.1 數據集描述
        3.5.2 對比方法
        3.5.3 評價標準
        3.5.4 實驗設置
        3.5.5 性能對比
        3.5.6 運行時間分析
        3.5.7 參數學習
        3.5.8 魯棒性學習
    3.6 本章小結
第四章 基于示例克隆的超限學習機算法
    4.1 引言
    4.2 示例克隆技術
    4.3 基于示例克隆的超限學習機算法
        4.3.1 示例克隆過程
        4.3.2 算法模型訓練
        4.3.3 算法模型測試
    4.4 算法分析
    4.5 實驗及結果分析
        4.5.1 數據集描述
        4.5.2 對比方法
        4.5.3 評價標準
        4.5.4 參數學習
        4.5.5 UCI標準數據學習任務
        4.5.6 真實應用數據學習任務
    4.6 本章小結
第五章 基于超像素的核超限學習機遙感圖像分類算法
    5.1 引言
    5.2 相關工作
        5.2.1 超像素分割方法
        5.2.2 主成分分析法
    5.3 基于超像素的核超限學習機遙感圖像分類算法
        5.3.1 基于超像素的空間特征
        5.3.2 基于核的超限學習機
    5.4 實驗及結果分析
        5.4.1 數據集描述
        5.4.2 對比方法和實驗設置
        5.4.3 實驗對比
        5.4.4 超像素個數的研究
        5.4.5 空間特征維度的研究
    5.5 本章小結
第六章 總結與展望
    6.1 本文工作總結
    6.2 未來工作展望
致謝
參考文獻



本文編號：3999548