[发明专利]基于累积变异比的集成超限学习机高光谱图像分类方法

权利要求书

1.基于累积变异比的集成超限学习机高光谱图像分类方法，其特征在于，包括以下步骤：

步骤1：标准化高光谱数据集，确定类别标签矩阵；

步骤2：计算波段的累积变异比函数并剔除低效波段；

步骤3：利用加权随机选择法进行数据降维；

步骤4：联合空谱特征的集成超限学习机高光谱图像分类；

所述步骤2的具体过程为：

步骤21：计算所有波段各自的类内累积变异函数并求出其二范数；

步骤22：计算所有波段各自的整体累积变异函数并求出其二范数；

步骤23：通过计算所有波段各自整体累积变异函数的二范数与类内累积变异函数二范数之和的比值计算出所有波段的累积变异比值，确定波段的累积变异比函数；

波段类内累积变异函数计算如下：

式中，CN_ik(t)为第i个波段第k个类别的累积变异函数值；为第i个波段第k个类别的1～t样本均值；C_ik(j)为第i个波段第k个类别第j个样本值；T_ik为第i个波段第k个类别的样本容量；CLN为类别数目；

波段整体累积变异函数计算如下：

式中，CZ_i(t)为第i个波段的累积变异函数值；为第i个波段的1～t样本均值；C_i(j)为第i个波段第j个样本值；T_i为第i个波段样本容量；

波段累积变异比计算如下：

式中，F(i)为第i个波段累积变异比的值；BN为波段数目；

波段整体累积变异函数的范数与波段类内累积变异函数的范数计算如下：

所述步骤3的具体过程为：

步骤31：将步骤2得到的有效波段进行平均分组；

步骤32：将每组包含的波段的累积变异比函数值求和；

步骤33：将所有有效波段的累积变异比函数值求和；

步骤34：通过计算每组波段的累积变异比函数值之和与所有有效波段的累积变异比函数值之和的比值确定每组波段累积变异权值；

步骤35：利用每组波段累积变异权值乘以随机选择波段总数得到该组被选择波段的数目，并按该数目在每组中随机抽取波段并记录其标签，将所有被选择的波段标签存入标签矢量中；

每组波段累积变异权值计算如下：

式中，ρ_L为第L组波段的累积变异权值；∑F_L(i)为第L组的波段累积变异比之和；∑F(i)为所有的波段累积变异比之和；GN为分组个数。

2.如权利要求1所述的基于累积变异比的集成超限学习机高光谱图像分类方法，其特征在于，所述步骤4的具体过程：

步骤41：根据上一步所得到的波段标签矢量，计算出所有空间点的空谱联合特征矢量形成样本空间，并确定弱分类器的数目；

步骤42：在样本空间中随机选择出部分训练样本进行超限学习机学习，形成一个弱分类器；

步骤43：返回步骤3中的步骤35重新随机选择另一组波段标签矢量，完成步骤4中的步骤42，循环产生多个弱分类器，转下一步；

步骤44：将测试样本输入到多个弱分类器中得到测试结果，通过投票表决法确定最后的分类结果。