对论文《support vectors machine for classification of hyperspectral remote-sening image》 总结

第一次看论文，下面自我提问的方式对整篇论文的内容进行概述。

Q1：作者试图完成什么?

在文章摘要以及总结部分，作者以及将其意图表达的很明确了，SVM在二维空间的模式识别、图像分类等问题有着很好的效果，而且也已经有别的论文提出SVM也可用于高光谱遥感图像的分类，在这篇文章中，作者进一步验证了SVM在高光谱遥感图像分类的优势，特别的，对分类精度、计算时间、参数稳定性这三个特性进行验证。

Q2：这个方法的关键是什么（方法论部分讲了什么）？

方法论部分分为两个部分Part 1主要讲了svm的原理，即寻找一个超平面去分类样本，提出了超平面的确定公式，最优超平面的优化公式以及要遵守的约束。通过拉格朗日函数将分类判别函数进行重新描述，描述后的公式可以表示为原始（低维度）特征空间的数据函数（所有的公式，以及公式其中变量的含义见笔记）。Part 2讲了svm在高光谱中的应用；在第二部分主要是通过统计学特性和几何学特性来证明svm在高光谱遥感图像分类问题上的优势。

在统计学上：正态分布的样本，倾向于在高光谱空间朝着密度函数的尾部下降，并且几乎没有样本落在中心区域，维度的增加会导致“离心”效应，使得数据有集中在信息类别之间边界附近的趋势。

从几何学上：数据的维度增加，会导致样本之间的距离增加，这种情况下会造成局部领域几乎确定为空，要求估计的带宽更大，并且产生了丢失统计学分类器详细密度估计的结果。

但是针对上述问题。svm没有这种困扰，反而它能够利用这两种特性使得在小分类误差的情况下，有更大的概率去发现样本类别之间的决策区域。