文献

J-GLOBAL ID：201702219425388090   整理番号：17A1712525

ナイーブ過剰適合インデックス選択(NOIS):ハイパースペクトルデータのためのモデル複雑性を最適化するための新しい方法【Powered by NICT】

The Naieve Overfitting Index Selection (NOIS): A new method to optimize model complexity for hyperspectral data

著者 (6件)： Rocha Alby D. (Faculty of Geo-Information Science and Earth Observation (ITC), University of Twente, Hengelosestraat 99, P.O. Box 217, 7500 AE, Enschede, The Netherlands) ,  Groen Thomas A. (Faculty of Geo-Information Science and Earth Observation (ITC), University of Twente, Hengelosestraat 99, P.O. Box 217, 7500 AE, Enschede, The Netherlands) ,  Skidmore Andrew K. (Faculty of Geo-Information Science and Earth Observation (ITC), University of Twente, Hengelosestraat 99, P.O. Box 217, 7500 AE, Enschede, The Netherlands) ,  Skidmore Andrew K. (Department of Environmental Science, Macquarie University, NSW 2106, Australia) ,  Darvishzadeh Roshanak (Faculty of Geo-Information Science and Earth Observation (ITC), University of Twente, Hengelosestraat 99, P.O. Box 217, 7500 AE, Enschede, The Netherlands) ,  Willemen Louise (Faculty of Geo-Information Science and Earth Observation (ITC), University of Twente, Hengelosestraat 99, P.O. Box 217, 7500 AE, Enschede, The Netherlands)
資料名： ISPRS Journal of Photogrammetry and Remote Sensing (International Society for Photogrammetry and Remote Sensing)  (ISPRS Journal of Photogrammetry and Remote Sensing (International Society for Photogrammetry and Remote Sensing))
巻： 133  ページ： 61-74  発行年： 2017年 
JST資料番号： H0048A  ISSN： 0924-2716  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： ハイパースペクトルリモートセンシングにおける狭いスペクトルバンド数の増加は生態系における生物学的プロセスを記述し,予測する能力を改善した。しかし,そのような高次元データに基づく経験的モデル,しばしば相関と雑音のある予測子を含む適合への挑戦を提起している。,経験モデルを訓練し,検証するために,サンプルサイズは同じ速度で増加しているとは思えないとして,過剰適合は重大な関心事となっている。過度に複雑なモデルは根底にある関係以上を捕捉して,データにおけるランダム雑音を適合させても過剰適合をもたらした。多くの回帰法は,潜在的変数を生成することによりまたは収縮パラメータ係数によって,モデルにおける項の数を制限するような複雑さを制約するための異なる戦略を用いてこれらの問題を克服するために主張した。本論文では,新しい方法を提案し,人工的に生成したスペクトルを利用した,ナイーブ過剰適合インデックス選択(NOIS)は過剰適合モデルを定量化し,データによって支援された最適モデルの複雑さを選択すると命名した。この新しい方法のロバスト性を交差検証法に基づく従来のモデル選択と比較することにより評価した。最適モデルの複雑さは七種類の回帰法に対して決定し,部分最小二乗回帰,サポートベクトルマシン,人工神経回路網と五つのハイパースペクトルデータセットを用いたツリーベース回帰である。NOIS法は複雑でないモデル,交差検証法に類似した精度を示すを選択する。NOIS法は過剰適合の機会を減少させ,それによりを用いたデータに対してのみ有効で,複雑すぎる基本プロセスを推測するために正確な予測を提供することをモデルを回避した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 不規則雑音 ,  *スペクトル ,  生態系 ,  リモートセンシング ,  ニューラルネットワーク ,  *モデル ,  スペクトルバンド ,  サポートベクトルマシン ,  交差検証法 ,  ロバスト性
準シソーラス用語： モデル選択 ,  予測子 ,  経験モデル ,  ハイパースペクトル・リモートセンシング ,  *ハイパースペクトルデータ , 【Automatic Indexing@JST】

著者キーワード (6件)： リモートセンシング ,  モデル調整 ,  交差検証 ,  予測精度 ,  Dimensionality ,  多重共線性

分類 (2件)： リモートセンシング一般  (AD04000L) ,  写真測量,空中写真  (RC02040D)

タイトルに関連する用語 (5件)： インデックス ,  ハイパースペクトルデータ ,  モデル ,  複雑性 ,  最適化