新書推薦：
《
一间自己的房间
》
售價：NT$
223.0
《
波段交易的高级技术：股票和期权交易者的资金管理、规则、策略和程序指南
》
售價：NT$
442.0
《
人，为什么需要存在感：罗洛·梅谈死亡焦虑
》
售價：NT$
381.0
《
锁国：日本的悲剧
》
售價：NT$
437.0
《
AI智能写作： 巧用AI大模型 让新媒体变现插上翅膀
》
售價：NT$
330.0
《
家庭养育七步法5：理解是青春期的通关密码
》
售價：NT$
279.0
《
三体（全三册）
》
售價：NT$
512.0
《
天象之维：汉画像中的天文与人文
》
售價：NT$
490.0
|
| 編輯推薦： |
|
高光谱遥感技术已经成为遥感发展的前沿，高光谱遥感影像分类是遥感应用不可缺少的关键环节，分类精度又直接影响分类效果。通过采用推理及样本学习等方式从数据中获得相应的理论，本书针对高光谱遥感影像数据的高维特性，在系统分析和总结机器学习、智能计算、信息论基本理论和方法的基础上，从高维数据降维、波段特征选择与特征提取、分类器的构造和参数优化等角度展开高光谱遥感影像分类的研究。全书共8章，分析了高光谱遥感影像的研究现状，指出了当前高光谱遥感影像分类所存在的问题，在机器学习、智能计算算法理论研究的基础上，结合实例，详细介绍了改进的机器学习、智能计算算法及其在遥感分类处理中的应用情况。
|
| 內容簡介： |
本书系统总结了作者近年来在高光谱遥感影像分类、机器学习、智能计算等方面的研究成果，在介绍高光谱遥感影像分类基础知识、机器学习、智能计算等常用方法的基础上，探讨影响分类准确率的因素，重点对多核集成学习及粒子群等方法在高光谱遥感影像分类中的应用进行了深入探讨。本书将作者研究过程与体会与大家分享，抛砖引玉，希望进一步促进遥感图像的分析与理解水平，这也是本书撰写的初衷。
全书共分为8章。第1章主要介绍高光谱遥感的基本概念、高光谱遥感影像分类的基础和原理、分类研究现状、存在的问题与发展趋势。第2章主要介绍遥感影像分类中的机器学习方法，包括小距离分类法、大似然分类法、人工神经网络分类法、决策树分类法、K-均值算法及迭代自组织数据分析法。第3章主要介绍统计学习理论与支持向量机的原理、研究现状、存在问题及发展方向。第4章主要介绍高光谱遥感影像的降维方法，包括遗传算法、主成分分析与核主成分分析、线性判别分析与核线性判别分析、投影寻踪、流形学习等。第5章采用改进粒子群优化算法对高光谱影像数据进行波段选择和SVM（支持向量机）参数优化。第6章采用Kullback-Leibler散度构造支持向量机的核函数，并应用于多核集成框架的基分类器。第7章基于改进指数进行特征选择，结合参数优化后的SVM分类器对高光谱影像数据进行分类。第8章基于互信息和J-M距离（一种光谱可分性测度）提出两阶段特征选择方法，并引入随机化算法构建多核集成学习框架。在每章中都评估了分类器的各种参数对分类精度的影响。
|
| 關於作者： |
亓呈明，计算机应用技术硕士，地理信息工程博士。主要研究方向为：机器学习、计算智能、统计学习、遥感图像处理。发表30余篇国际检索的研究论文，参与了相关研究项目10余项。
胡立栓，计算机应用技术硕士，地理信息工程博士。主要研究方向为：机器学习、遥感信息处理、GIS技术应用、网格服务、分布式计算等。发表20篇研究论文，其中EI检索8篇，参与了相关研究20余项。
|
| 目錄：
|
|
1高光谱遥感影像分类概述11.1高光谱遥感影像11.2高光谱遥感影像分类概述51.3遥感影像分类研究现状91.4遥感影像分类存在的问题101.5本书试验数据132遥感影像分类中的机器学习方法192.1机器学习分类方法202.2最小距离分类法222.3最大似然分类法232.4人工神经网络分类法242.5决策树分类法292.6K-均值算法312.7迭代自组织数据分析法322.8实验结果与分析342.9本章小结363统计学习理论与支持向量机403.1统计学习理论403.2最优化理论453.3支持向量机493.4实验结果与分析613.5本章小结624高光谱遥感影像的降维方法684.1高光谱遥感影像降维现状684.2特征选择与特征提取704.3遗传算法804.4主成分分析与核主成分分析844.5线性判别分析与核线性判别分析894.6投影寻踪法954.7流形学习984.8纹理特征提取1034.9实验结果与分析1054.10本章小结1145基于BPSO的高光谱影像特征选择与分类1175.1粒子群优化算法1175.2粒子群优化算法在高光谱分类中的应用1215.3实验结果与分析1255.4本章小结1356基于Kullback-Leibler的多核集成分类1376.1引言1376.2集成机器学习1396.3基于Kullback-Leibler核函数的多核集成框架1446.4实验结果与分析1476.5参数分析1556.6本章小结1577基于改进最优指数的特征选择与分类1657.1引言1657.2支持向量机参数优化方法1667.3基于最优指数的多核集成框架1677.4实验结果与分析1697.5本章小结1788基于互信息混合测度的特征选择与分类1818.1引言1818.2两阶段波段选择与多核集成框架1828.3实验结果与分析1868.4本章小结193
|
| 內容試閱：
|
遥感图像包括由航空、航天或接近地面等手段所获取的光谱资料，这些大都是以数字形式表示的遥感图像，可以由计算机直接处理，计算机图像数字处理是对遥感图像进行处理的主要手段。高光谱遥感的突出特点是具有较高的光谱分辨能力，作为一种新型遥感技术已经在军用和民用的多个领域中发挥了重要的作用。由于其较大的数据量以及较高的数据维，多光谱图像的处理方法不再适用于高光谱图像处理，如何从高光谱数据中快速而准确地挖掘出所需要的信息，目前仍是一个亟待解决的问题。
遥感图像上目标的分类和识别是遥感数据信息提取中最基本的问题之一，遥感图像分类问题的研究是提取专题信息、进行变化监测等应用开展的前提。遥感硬件的不断发展，使得高光谱数据日益增加，如何利用机器学习的最新技术集成多方面信息，利用从各类遥感数据提取的定量信息更好地为各种应用服务，一直是值得研究的科学问题。寻找新的分类方法、不断提高遥感图像自动分类算法的有效性和效率，是遥感图像分类的研究目的。
传统的分类方法是以经验风险最小化为归纳原则，经验风险最小化原则在训练样本数趋于无穷时，性能才能达到理论上的最优。高光谱图像较高的光谱维数和光谱分辨率为地物分类带来巨大机遇的同时，也给传统图像分类识别算法提出挑战。由于高光谱遥感影像存在样本不足的问题，传统的分类方法无法达到理想的分类精度。机器学习是人工智能的一个重要领域，机器学习通过样本学习方式从数据中获得相应的理论。机器学习中的统计学习理论采用结构风险最小化原则，提出了一种在样本有限情况下的机器学习方法。支持向量机就是在该理论框架下产生的一种通用学习方法。近年来逐步发展起来的计算智能理论和方法也为遥感分类提供了新的思路。本书借助支持向量机方法在小样本、非线性及高维特征空间中具有良好的分类性能，通过引入信息论、智能计算、支持向量机、集成学习等领域的新理论和新方法，构造新型降维方法和核函数以克服传统遥感图像处理算法的局限性，特别是在基于核函数的构建与优化、集成支持向量机等方面取得了一系列新的成果，并以大量的实例验证了相关算法的有效性和可靠性。
本书系统总结了作者近年来在高光谱遥感影像分类、机器学习、智能计算等方面的研究成果，在介绍高光谱遥感影像分类基础知识、机器学习、智能计算等常用方法的基础上，探讨影响分类准确率的因素，重点对多核集成学习及粒子群等方法在高光谱遥感影像分类中的应用进行了深入探讨。本书将作者研究过程与体会与大家分享，抛砖引玉，希望进一步促进遥感图像的分析与理解水平，这也是本书撰写的初衷。全书共分为8章。第1章主要介绍高光谱遥感的基本概念、高光谱遥感影像分类的基础和原理、分类研究现状、存在的问题与发展趋势。第2章主要介绍遥感影像分类中的机器学习方法，包括最小距离分类法、最大似然分类法、人工神经网络分类法、决策树分类法、K-均值算法及迭代自组织数据分析法。第3章主要介绍统计学习理论与支持向量机的原理、研究现状、存在问题及发展方向。第4章主要介绍高光谱遥感影像的降维方法，包括遗传算法、主成分分析与核主成分分析、线性判别分析与核线性判别分析、投影寻踪、流形学习等。第5章采用改进粒子群优化算法对高光谱影像数据进行波段选择和SVM（支持向量机）参数优化。第6章采用Kullback-Leibler散度构造支持向量机的核函数，并应用于多核集成框架的基分类器。第7章基于改进最优指数进行特征选择，结合参数优化后的SVM分类器对高光谱影像数据进行分类。第8章基于互信息和J-M距离（一种光谱可分性测度）提出两阶段特征选择方法，并引入随机化算法构建多核集成学习框架。在每章中都评估了分类器的各种参数对分类精度的影响。
全书由北京联合大学亓呈明和胡立栓老师合著完成。第1~3章、第6~8章由亓呈明编写，第4章、第5章由胡立栓编写，全书由亓呈明统稿。
编写本教材时参阅了许多文献，并对这些成果进行了一定程度的整理，引用了一些经典的例子，在此一并向有关作者致谢。中国财富出版社惠婳编辑为本书的出版付出了辛勤的劳动，在此表示感谢！
由于水平、时间和精力有限，书中难免会有疏漏和不完善之处，希望同行专家谅解，欢迎读者对本书提出批评与建议。
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
