典型文献
基于改进蚁群算法的无人机遥感影像森林类型分类
文献摘要：
针对单一分类器在森林分类中分类精度低的问题,提出一种改进的蚁群算法结合支持向量机的分类模型(ACO-SVM).该模型通过在蚁群搜索中加入部分有限搜索避免局部极值,并在信息素更新中引入时变函数,将动态更新策略与支持向量机结合,对径向基核函数参数进行优化.将该模型用于无人机可见光遥感影像森林类型分类,得到的实验结果为:在光谱特征影像分类中,对比ABC-SVM、GA-SVM、单纯的SVM模型,所提ACO-SVM在森林类型分类中效果最优,分类总体精度为81％,Kappa系数为0.7500;引入不同的纹理特征后,基于灰度共生矩阵特征对大兴安岭根河林区进行分类,总体分类精度为85％,Kappa系数为0.8063;引入Gabor纹理特征后,总体分类精度为87.5％,Kappa系数为0.8438.
文献关键词：
森林分类;改进的蚁群算法;支持向量机;径向基核函数
中图分类号：
作者姓名：
赵桂玲;李鹏年;郭泉荣;谭茂林
作者机构：
辽宁工程技术大学测绘与地理科学学院,辽宁阜新123000
文献出处：
引用格式：
[1]赵桂玲;李鹏年;郭泉荣;谭茂林-.基于改进蚁群算法的无人机遥感影像森林类型分类)[J].激光与光电子学进展,2022(16):409-416
A类：
B类：
改进蚁群算法,无人机遥感影像,森林类型,分类器,森林分类,分类精度,改进的蚁群算法,分类模型,ACO,局部极值,信息素更新,动态更新,更新策略,对径,径向基核函数,函数参数,可见光遥感,光谱特征,影像分类,ABC,GA,总体精度,Kappa,纹理特征,灰度共生矩阵,大兴安岭,根河,林区,Gabor
AB值：
0.36023
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
