svm加权学习下lidar数据多元分类的研究

《svm加权学习下lidar数据多元分类的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得桂林电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。申请学位论文与资料若有不实之处，本人承担一切相关责任。本人签名：日期：关于论文使用授权的说明本人完全了解桂林电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属桂林电子科技大学。本

2、人保证毕业离校后，发表论文或使用论文工作成果时署名单位仍然为桂林电子科技大学。学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。（保密的论文在解密后遵守此规定）本学位论文属于保密在____年解密后适用本授权书。本人签名：日期：导师签名：日期：万方数据摘要摘要近年来，机载激光测距(LightDetectandRange,LiDAR)主动遥感技术以其高空间分辨率、高自动化数据采集效率而广泛应用于地形测绘、森林监测以及城市建模等多个领域。然而，由于LiDAR所采集的信

3、息是关于地表特征的高密度三维离散点(称为“点云”)，缺乏语义线索，难以作为专题信息直接使用，因此发展高效的数据处理算子如分类算法，从“点云”中提取诸如水域、树冠以及道路网等专题信息成为目前研究的热点和难点。本文以支持向量机(SVM)统计学习为理论依据,对城区机载LiDAR数据分类问题进行了研究，以实现对城区机载LiDAR数据多元分类（地面，树木，建筑）为目的，主要工作如下：①基于参考文献及相关试验结果，确定了对机载LiDAR数据进行多元分类所需的特征矢量,该矢量包括4个特征值：高度信息，高度变化，平面拟合误差，激光返回强度。②基于支持向量机

4、分类过程中不同特征对分类结果贡献存在差异这一事实，提出了支持向量机加权学习(WeightedSupportVectorMachine,W-SVM)的概念，并通过引入特征单类权重、多类权重属性以及特征的加权归一化处理来予以实现。③结合SVM分类的精度估计过程，给出了本文两种特征权重的计算方法并据此提出了多元分类策略1AAA1，分阶段构造具有最大响应输出能力的分类器，从而整体上保证了分类可靠性。④以两组标准测试数据以及两块城区的机载LIDAR数据以及两块标准测试数据为例，就其中特征矢量的选取与加权归一化，特征权重的计算以及多元分类策略1AAA1

5、的实施进行了详细的描述、讨论和说明，最后给出了分类精度。通过与传统SVM分类结果的对比分析，表明了新方法的有效性。关键词：LiDAR分类；支持向量机；监督分类；权重；机器学习；统计学习.-I-万方数据SVM加权学习下的LiDAR数据多元分类研究AbstractInrecentyears,theactiveremotesensingtechnology—airbornelaserradarmeasurement(calledLightDetectingandRanging,LiDAR)iswidelyusedintopographicmapp

6、ing,forestmonitoring,urbanmodelingandotherfieldsbecauseofitshighspatialresolutionandhighefficiencyofautomateddataacquisition.However,becausethecollectinginformationofLiDARishigh-density3-Ddiscretepointsaboutthesurfacefeatures(called"thepointcloud")andlackofsemanticclues,it

7、isdifficulttobedirectlyusedasthematicinformation.Developingefficientdataprocessingoperatorssuchasextractingwaterarea,crownandroadnetworkfrompointcloudhasbecomethefocusanddifficultyofthestudyatpresent.Takingsupportvectormachine(SVM)statisticallearningasthetheorybasis,urbana

8、irborneLiDARdataclassificationwasstudiedinthispapertoachievemultipleclassificationofurban