主讲人：林怡

单位：同济大学测绘与地理信息学院

职务/职称：研究员

个人简介：博士，硕士、博士生导师，中国测绘学会摄影测量与遥感专业委员会委员、中国测绘学会大数据与人工智能工作委员会委员、国际地图制图协会(ICA）Sensor-driven Mapping分委会委员、上海测绘学会会员。长期从事多源遥感影像解译、RS与GIS技术综合应用研究。近年来对人工智能理论在遥感图像分析与解译中的应用研究方面取得了多项成果。主持或参加完成了40多项国家科技支撑、国家重大研发计划、国家自然科学基金、科技部国际合作、上海市重大和国际合作项目。在国内外学术期刊和国际学术会议上发表论文90余篇，其中SCI/EI收录共62篇；参编著书1部；获军队科技进步、上海市科技进步奖共8项。获授权的国家发明专利6项；软件著作权登记多项。

报告题目：几种优化机器学习影像分类算法的性能比较研究

报告摘要：在城市可持续发展的研究中，准确的土地利用分类已经成为监测城市动态变化的重要依据。因此，有必要建立合适的城乡土地利用识别模型。虽然近年来深度学习算法已经成为图像分类任务的研究热点，并取得了许多良好的效果。但其他机器学习算法并没有消失。深度学习与机器学习相比，在数据依赖性、硬件依赖性、特征处理、问题解决方法、执行时间、可解释性等方面都有一定的优劣之分。特别是在遥感影像的分类方面，对传统机器学习算法的不断研究和发展仍然具有重要意义。本文研究并比较了几种基于SLFN的分类算法的性能，包括ELM、RBF K-ELM、混合K-ELM、A-ELM和SVM。极限学习机（ELM）是一种新的单隐层前馈神经网络（SLFN）的算法。它的结构简单，速度快，容易训练。然而，在某些应用中，标准的ELM很容易被过度拟合，当异常值存在时，其性能将受到严重影响。为了探讨ELM及其改进算法在城乡土地利用分类中的性能，用几个研究地区的图像数据对三种改进的ELM算法（RBF K-ELM、混合K-ELM和A-ELM）、ELM和SVM进行了比较实验，并分析了分类精度和效率。