技术方法 | 浏览量 : 0 下载量: 690 CSCD: 9
  • 导出

  • 分享

  • 收藏

  • 专辑

    • 人工蜂群算法优化的SVM遥感影像分类

    • Optimized SVM based on artificial bee colony algorithm for remote sensing image classification

    • 在遥感分类领域,研究者提出了一种基于人工蜂群算法改进SVM参数的方法,通过模仿蜜蜂采蜜行为,优化SVM分类器参数,提高分类精度。实验结果表明,该方法在UCI数据集和遥感影像上的分类精度均优于其他人工智能算法优化的SVM算法。
    • 2018年22卷第4期 页码:559-569   

      收稿:2017-06-02

      录用:2017-11-20

      纸质出版:2018-07

    • DOI: 10.11834/jrs.20187176     

    移动端阅览

  • 李楠, 朱秀芳, 潘耀忠, 詹培. 2018. 人工蜂群算法优化的SVM遥感影像分类. 遥感学报, 22(4): 559–569 DOI: 10.11834/jrs.20187176.
    Li N, Zhu X F, Pan Y Z and Zhan P. 2018. Optimized SVM based on artificial bee colony algorithm for remote sensing image classification. Journal of Remote Sensing, 22(4): 559–569 DOI: 10.11834/jrs.20187176.
  •  
  •  
文章被引用时,请邮件提醒。
提交

相关作者

宋宝贵 三峡大学 水电工程智能视觉监测湖北省重点实验室;三峡大学 计算机与信息学院;三峡大学 先进计算中心
邵攀 三峡大学 水电工程智能视觉监测湖北省重点实验室;三峡大学 计算机与信息学院;三峡大学 先进计算中心
邵文 三峡大学 水电工程智能视觉监测湖北省重点实验室;三峡大学 计算机与信息学院;三峡大学 先进计算中心
张晓东 武汉大学 测绘遥感信息工程国家重点实验室
董婷 三峡大学 水电工程智能视觉监测湖北省重点实验室;三峡大学 计算机与信息学院;三峡大学 先进计算中心
余龙 中山大学 地理科学与规划学院
卓莉 中山大学 地理科学与规划学院
李军 中国地质大学(武汉) 计算机学院, 智能地学信息处理湖北省重点实验室

相关机构

三峡大学 水电工程智能视觉监测湖北省重点实验室
三峡大学 计算机与信息学院
三峡大学 先进计算中心
武汉大学 测绘遥感信息工程国家重点实验室
中山大学 地理科学与规划学院
0