1、地物分類，作為圖像處理等相關(guān)領(lǐng)域重要的研究課題，在國防、經(jīng)濟、科技和空間等方面得到了廣泛應(yīng)用及發(fā)展。在對目標(biāo)進行分類的過程中，根據(jù)信息種類，目標(biāo)可分為：有標(biāo)記信息(labeled data)和無標(biāo)記信息(unlabeled data)。而實際應(yīng)用中，兩種信息并存的情況更多。于是半監(jiān)督學(xué)習(xí)(Semi-SupervisedLearning)應(yīng)運而生，并成為當(dāng)前機器學(xué)習(xí)等領(lǐng)域的研究熱點。本文基于半監(jiān)督學(xué)習(xí)中的協(xié)同訓(xùn)練算法對地物分類進行研究，并

2、通過應(yīng)用于實際問題，逐步深入的探討了自己的理解和方法。
　　 首先，本文著重討論了半監(jiān)督學(xué)習(xí)思想中一種熱點算法：協(xié)同訓(xùn)練算法(Co-Training)。并將其與支撐矢量機(SVM)學(xué)習(xí)方法結(jié)合對極化合成孔徑雷達(Pol.SAR)圖像進行多分類。為了提高算法中每次迭代反饋樣本的質(zhì)量及利用大量未標(biāo)記數(shù)據(jù)的相關(guān)信息，有針對性的引入了模糊C均值聚類算法(FCM)，與原來的分類器共同決定用于反饋的樣本。實驗結(jié)果表明，該方法相比傳統(tǒng)協(xié)同訓(xùn)練

3、算法具有較好的分類精度。
　　 其次，對反饋樣本選取方式進行了研究。一種是上述方法中的基于置信度方式；另一種是基于信息量方式，即主動學(xué)習(xí)(Active Learning)思想的一種。于是對協(xié)同訓(xùn)練算法框架相應(yīng)的進行修改和調(diào)整。實驗表明，后者對修正分類界面的指導(dǎo)起到更大作用。為了進一步提高分類性能，本文對極化合成孔徑雷達圖像的主要特征進行挑選，實驗表明同樣分類方法，當(dāng)H和span作為其特征時，分類性能提高更多。
　　 最后