基于随机森林算法的高维模糊分类研究

高光谱数据的空间分辨率普遍偏低,混合像元分布广泛,故模糊分类方法常用于此类型数据的信息提取。针对模糊分类的精度常受限于特征维数和模糊样本选取等问题,提出了基于随机森林(random forest,RF)算法的高维模糊分类方法。首先将RF算法用于特征选择和模糊样本获取,然后在低维特征空间中利用模糊样本进行模糊分类,通过2步分类、遵循假设前提一致原则,实现RF和模糊分类2种分类器的融合;并通过不同样本、不同实验区和分区优化前后的3个实验(包括20余次对比实验、60多次子实验),验证了该方法不仅提高了模糊分类的精度,具有分类的有效性和可推广性,而且具有可优化性和对原始样本质量的鲁棒性。