...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Geoscience and Remote Sensing Letters, IEEE >Support-Vector-Based Hyperspectral Anomaly Detection Using Optimized Kernel Parameters
【24h】

Support-Vector-Based Hyperspectral Anomaly Detection Using Optimized Kernel Parameters

机译：使用支持向量的内核参数基于支持向量的高光谱异常检测

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this letter, a method to optimally determine the kernel bandwidth of the Gaussian radial basis function (RBF) kernel for support vector (SV)-based hyperspectral anomaly detection is presented. In this method, the support of a local background distribution is first nonparametrically learned by a technique called SV data description (SVDD). The SVDD optimally models an enclosing hypersphere around the local background data in a high-dimensional feature space associated with the Gaussian RBF kernel. Any test pixel that lies outside this hypersphere surrounding the local background is considered an anomaly and, hence, a possible target pixel. Considerable improvement in detection performance due to kernel parameter optimization can be seen in the simulation results when the algorithm is applied to hyperspectral images.
机译：在这封信中，提出了一种用于基于支持向量（SV）的高光谱异常检测最佳确定高斯径向基函数（RBF）内核的内核带宽的方法。在这种方法中，首先通过称为SV数据描述（SVDD）的技术以非参数方式学习对局部背景分布的支持。 SVDD在与高斯RBF内核相关联的高维特征空间中，对局部背景数据周围的包围超球进行了最佳建模。位于该超球体周围并围绕局部背景的任何测试像素均被视为异常，因此可能被视为目标像素。当算法应用于高光谱图像时，在仿真结果中可以看到由于内核参数优化而导致的检测性能的显着提高。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号