一种模型选择优化准则及其在高光谱图像非监督分类中的应用

• 作者: 匡纲要 吴昊 李智勇 郁文贤
• 来源期刊: 电子学报
• 学科: 工学
• 关键词: 非监督分类 高斯混合模型 期望最大化算法 主成分分析 最小描述长度准则
• 年，卷（期）: 2003,（z1）
• 所属期刊栏目: 科研通信
• 页码范围: 2154-2157
• 页数: 4页
• 分类号: TN958
• 字数: 4590字
• 语种: 中文
• DOI: 10.3321/j.issn:0372-2112.2003.z1.050

摘要

选择合适的类别数是非监督分类中的一个关键问题.针对采用高斯混合建模的高光谱图像非监督分类问题,该文提出了一种基于主成分分析(PCA)的最小描述长度(MDL)型模型选择准则(文中简称为PMDL)来确定分类类别数,即根据PCA变换后保留的各主成分表达的数据方差不同而应具有不同的编码长度这一事实,在计算描述长度时对各维进行加权.分类过程中,论文采用期望最大化(Expectation Maximization)算法在合并的策略下对PCA变换后的数据求解混合模型,并应用所提出的准则进行模型选择从而确定待分类的类别数.仿真数据实验证实了新准则的有效性和优良的性能,并采用真实数据对该准则和整个算法进行了验证.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	匡纲要	国防科技大学电子科学与工程学院	112	2486	24.0	46.0
2	郁文贤	国防科技大学电子科学与工程学院	70	948	17.0	26.0
3	李智勇	国防科技大学电子科学与工程学院	19	257	9.0	15.0
4	吴昊	国防科技大学电子科学与工程学院	10	97	6.0	9.0