基于旋转林和核元素生命周期模型的物联网高光谱遥感图像数据分类

1、原文

Classification of Hyperspectral Remote Sensing Image Data from IoT Based on Rotation Forest and ELM with Kernel

https://ieeexplore.ieee.org/document/8465554

2、摘要

物联网（IoT）技术和遥感技术的联系越来越紧密，可以通过物联网获取高光谱遥感数据。高光谱图像分类是遥感领域的一个热门问题。通过良好的分类方法对图像数据进行处理，可以实现高精度和强泛化。本文提出了一种基于旋转森林和带核极限学习机（ROFKELM）的高效高光谱图像分类方法。所提出的方法使用非负矩阵分解（NMF）进行特征分割，以便首先获得更有效的数据。选择带核极限学习机（KELM）作为基分类器，提高分类效率。所提出的方法继承了KELM的优点，并具有直接实现多类分类的解析解。然后，使用互信息理论来选择具有高相关性的基分类器。最后，通过投票的方法得到结果。分别进行了AVIRIS图像分类和UCI公共数据集的两个仿真示例，以证明所提方法的有效性。

3、正文

-----------------------------------------

---------------------------------------------------------------

------------------------------------------------------------------

--------------------------------------------------------------

4、结论

本文提出了一种基于旋转森林和KELM的算法ROFKLEM。该算法使用旋转森林对原始训练集进行分割，然后通过NMF对子特征进行变换，以改善训练数据之间的差异。KELM作为基分类器用于训练模型。然后，使用互信息的最大相关最小冗余准则来衡量各个基分类器之间的分类器。选择分类器对结果进行整合，最后通过投票结果得到最终的分类结果。hyperspec-的分类实验结果tral遥感图像表明，该算法具有较高的分类精度。此外，利用UCI公共数据集对算法进行了仿真，进一步说明了所提算法的泛化性能。

5、参考文献