M5P算法的构造过程是先使用决策树生成算法构建一棵树，不同的是决策树中在每个中间节点的劈分准则是最大化信息增益，而在M5P中使用的是最小化每个分支中子集类别属性的差异。M5P构造树的过程其实就是不断递归的劈分数据集的过程，劈分的标准就是将达到某个节点的样本的类属性标准差作为该节点误差的量度，并通过测试该节点数据各个属性计算误差的期望减小值，使期望误差减小值最大的属性被选择做劈分属性。标准差减小值(SDR)的计算公式为：
SDR=sd(T)-×sd(Ti)
(12.2.1)
公式中T代表到达该节点的样本集，T1，T2，…代表通过劈分选择的属性得到的子集，在M5P中采用二叉劈分，所以i的取值为1和2。
...... （共427字） [阅读本文]>>
智能算法在高光谱遥感数据处理中的应用前面讨论的所有方法都是全局性的，在某种意义上，像素是被基于整幅图像灰度满意度的变换函数所修改的。这些全局方法适用于整个图像的增强，但有时对图像小区域细节的局部增强显得额外重要。在这些区域中，全局变换得
智能算法在高光谱遥感数据处理中的应用二阶微分滤波器的主要目的是突出图像中的细节或者增强被模糊了的细节，而这种错误不是由操作造成的，就是受到特殊图像获取方法的固有影响。可以应用数学微分中的某些性质来实现图像的锐化或模糊效果。数学函数的微分
智能算法在高光谱遥感数据处理中的应用图像融合来源于信息融合领域，它是信息融合领域的一个非常重要的组成部分，它可以把几个或者多个传感器上所获得的关于某个场景的信息(或图像)通过一定的方法进行综合，得到了一个关于这个场景新的解释，它能够解决
.jpg)
智能算法在高光谱遥感数据处理中的应用矿物识别，即如何根据获取的遥感信息对地物目标的物理属性进行识别，是高光谱遥感技术研究的重要内容，也是高光谱最能发挥作用的领域。由于多光谱数据所能提供的信息量不能满足我们的需求，因而出现了能提供大量丰富
.jpg)
智能算法在高光谱遥感数据处理中的应用高光谱物谱建模就是对蚀变矿物含量与光谱吸收特征参数进行相关分析，建立蚀变矿物含量与光谱吸收特征深度、面积等参数之间的物谱关联模型，从而可以根据光谱数据预测矿物成分的含量。目前，常用的物谱关联建模技术主
上一篇