基于支持向量机的遥感矿化蚀变信息提取方法研究

摘要

西部高寒山区是我国极具找矿潜力的重要成矿区域。快速勘查评价这些区域的矿产资源，变资源优势为经济优势，是带动西部地区经济发展的重要途径之__。在此类自然景观区开展矿产资源勘查评价工作，遥感技术具有传统地质找矿方法无法比拟的技术优势。不断研究、探索有效的遥感矿化蚀变信息提取新方法，提高地质找矿信息的可靠性和准确性，具有十分重要的现实意义。 支持向量机是一种基于统计学习理论的新的机器学习方法，以其全局优化、适应性强和推广能力好等优点而得到了广泛应用。但是，对于模型参数的选择人为干预较多。基于此问题，本文在充分研究支持向量机和粒子群优化的基本理论基础上，提出了基于粒子群优化的支持向量机模型参数选择方法，并在此基础上进行了支持向量机的遥感矿化蚀变信息提取试验。取得了如下主要研究成果： 1、利用粒子群优化方法的群体智能特性，本文提出了基于粒子群优化的支持向量机模型参数选择方法。与LibSVM库中常用的网格搜索方法相比，该方法表现出学习次数少的优越性。 2、在基于粒子群优化的模型参数选择基础上，本文进行了基于支持向量机的遥感矿化蚀变信息提取试验，并且给出了该方法的整体框架。试验结果表明，该方法对于矿化蚀变信息提取是有效的。 3、基于均匀设计思想，在粒子群优化的初始化阶段，本文采取在搜索空间随机且均匀分布粒子的策略，以及在粒子群迭代到一定次数后，采取细化搜索空间、减少粒子数量的策略。这两个策略有利于减少搜索次数。

目录

文摘

英文文摘

声明

第一章绪论

1.1研究的目的意义

1.2国内外研究现状与趋势

1.2.1遥感矿化蚀变信息提取研究现状

1.2.2支持向量机模型参数选择的研究现状

1.2.3支持向量机提取矿化蚀变信息的研究现状

1.3研究思路及内容

第二章支持向量机学习方法

2.1引言

2.2支持向量机的理论基础

2.2.1机器学习问题的表示

2.2.2经验风险最小化原则

2.2.3学习机器的复杂性与推广能力

2.2.4函数集的学习能力与VC维

2.2.5推广性的界

2.2.6结构风险最小化归纳原则

2.3支持向量机基本原理

2.3.1最优分类超平面

2.3.2构造最优分类超平面

2.3.3广义最优分类超平面

2.3.4支持向量机

第三章粒子群优化算法

3.1引言

3.2标准粒子群算法

3.2.1算法背景—人工生命

3.2.2鸟群觅食策略

3.2.3算法模型

3.2.4算法工作流程

3.2.5算法参数设置

3.3改进的粒子群算法

3.3.1惯性权重法

3.3.2压缩因子法

3.3.3领域拓扑法

3.4与遗传算法的比较

第四章基于粒子群优化的SVM模型参数选择

4.1引言

4.2模型选择

4.3模型参数对SVM性能的影响

4.3.1核参数对SVM性能的影响

4.3.2惩罚因子对SVM性能的影响

4.3.3核参数和惩罚因子的相互关系

4.4模型参数选择方法

4.4.1模型参数的性能评价方法

4.4.2模型参数的搜索机制

4.4.3 LibSVM库采用的模型参数选择方法

4.5基于粒子群优化的模型参数选择方法

4.5.1工作流程

4.5.2样本归一化

4.5.3特征选择

4.5.4搜索空间初始化

4.5.5空间映射

4.5.6分布粒子

4.5.7训练SVM

4.5.8计算粒子适应度值

4.5.9更新粒子

4.5.10细化搜索空间、减少粒子数量

4.6方法评价

第五章基于SVM的遥感蚀变信息提取试验

5.1引言

5.2遥感蚀变信息提取的基本原理

5.3遥感蚀变信息提取的常用方法

5.3.1波段比值法

5.3.2主成分分析法

5.3.3光谱角填图法

5.3.4混合像元分解法

5.4基于SVM的矿化蚀变信息提取试验

5.4.1自然地理概况

5.4.2区域地质背景

5.4.3区域矿产概况

5.4.4成矿地质条件分析

5.4.5遥感图像预处理

5.4.6基于SVM提取矿化蚀变信息

5.4.7效果评价

第六章总结与展望

6.1主要成果与认识

6.2存在问题与建议

参考文献

致谢

在学习期间发表论文、参加科研项目和学术会议