典型文献
面向不平衡高光谱遥感分类的SMOTE和旋转森林动态集成算法
文献摘要:
旋转森林RoF(Rotation Forest)是一种功能强大的集成分类器,它在高光谱图像分类中已经获得了很多成功的应用.然而,现实数据经常存在类别不平衡的问题,这使得传统的RoF算法侧重识别多数类别的样本,而忽略了少数类样本的分类精度.SMOTE(Synthetic Minority Oversampling Technique)算法通过模拟生成新样本的方式来增加少数类别样本的数量,进而达到平衡数据集类别的效果;但是SMOTE算法目前主要被用于数据预处理阶段,并且在处理多类问题时具有增加入工噪声的风险.为了解决高光谱数据学习中的多类不平衡问题,本文提出了一个新的SMOTE和RoF动态集成算法;该算法利用动态采样因子技术,将类别分布优化和基分类器训练过程进行融合.本实验利用Indian Pines、Salinas以及Pavia University这3个公开的高光谱数据对新的SMOTE和RoF动态集成算法的性能进行测试,同时选取4种对比算法,包括随机森林、传统的RoF以及通过随机过采样和SMOTE数据预处理后的RoF算法,并且采用总体分类精度、平均分类精度、F-measure、Gmean、最小召回率、集成分类器多样性、模型训练时间以及McNemar测试等为算法性能评价标准.实验结果表明本文方法具有明显的分类优势,可以保证在增加数据总体分类精度的基础上提高小类别样本的识别精度.
文献关键词:
集成学习;不平衡分类;旋转森林;SMOTE;动态采样
中图分类号:
作者姓名:
童莹萍;冯伟;宋怡佳;全英汇;黄文江;高连如;朱文涛;邢孟道
作者机构:
西安电子科技大学 电子工程学院,西安710071;西安电子科技大学先进遥感技术研究院,西安710071;中国科学院空天信息创新研究院数字地球重点实验室,北京100094;西安电子科技大学 前沿交叉研究院,西安710071
文献出处:
引用格式:
[1]童莹萍;冯伟;宋怡佳;全英汇;黄文江;高连如;朱文涛;邢孟道-.面向不平衡高光谱遥感分类的SMOTE和旋转森林动态集成算法)[J].遥感学报,2022(11):2369-2381
A类:
旋转森林
B类:
高光谱遥感,遥感分类,SMOTE,动态集成,集成算法,RoF,Rotation,Forest,功能强大,集成分类器,高光谱图像分类,实数,常存,类别不平衡,重识别,少数类,分类精度,Synthetic,Minority,Oversampling,Technique,别样,平衡数据集,数据预处理,高光谱数据,数据学习,类不平衡,不平衡问题,法利,动态采样,分布优化,基分类器,训练过程,Indian,Pines,Salinas,Pavia,University,对比算法,过采样,平均分,measure,Gmean,召回率,模型训练,训练时间,McNemar,算法性能,性能评价,增加数,高小,识别精度,集成学习,不平衡分类
AB值:
0.411119
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。