1、SVM分类模型的构建图一(1)SVM训练过程:选择多次方的多项式(或其他)核函数,将训练样本映射到高维特征空间。利用SVM在样本特征空间中找出各类别特征样本与其他特征样本的最优分类超平面,得到代表各样本特征的支持向量集及其相应的VC可信度,形成判断各特征类别的判别函数。(2)SVM判决过程:将影像中待分类像元通过核函数作用映射到特征空间中(见图一),作为判别函数的输入,利用分类判决函数得出二类可分的结果。(3)核函数的作用:就是将影像各像元,转换输入到各样本转换的支持向量集及VC可信度形成的判别函数中,进行分类。2、核函数与形状、纹理、光谱等因素的关系SVM核函数的选取以及核函数中参数的确定不具有普遍性,在不同的问题、不同的区域都可能不一样的。目前国际上,还没有形成一个统一的模式,即使最优SVM算法参数选择可能还只能是凭借经验、实验对比,大范围的搜寻或者利用软件包提供的交互检验功能进行。大量研究表明,地物样本空间上形状的不规则性,本身内部纹理的无规律性所引起其分类精度比较差;而光谱信息比较接近,地物交叉的区域(林地,草地,耕地),分类效果比较破碎。3、SVM的特点:SVM方法基本上不涉及概率测度的定义及大数定律等,因此不同于现有的统计方法。它具有如下优点:(1)SVM的最终判别函数只由少数的支持向量所确定,计算的复杂性取决于支持向量的数目,而不是样本空间的维数,这在某种意义上避免了“维数灾”。(2)少数支持向量决定了最终结果,这不但可以帮助我们抓住关键样本、“剔除”大量冗余样本,而且注定了该方法不但算法简单,而且具有较好的“鲁棒”性。(3)由于有较为严格的统计学习理论,应用SVM方法建立的模型具有较好的推广能力。SVM方法可以给出所建模型的推广能力的确定的界,这是目前其它任何学习方法所不具备的。(4)建立任何一个数据模型,人为的干预越少越客观。与其他方法相比,建立SVM模型所需要的先验干预较少。