关键词：特征提取;;旋转森林;;极限学习机;;集成分类器
摘 要：随着信息技术的发展,人们获取的数据量越来越大,数据类型也趋于复杂,如何更好地处理这些数据,以取得好的分类结果,是一个挑战性的工作。该文提出一种将旋转森林(ROtation Forest,ROF)算法与极限学习机(Extreme Learning Machine,ELM)神经网络相结合的混合算法(ROF-ELM),在改善原始旋转森林算法中存在的过拟合现象的同时提高算法的分类精度。在基于UCI数据集以及实际遥感影像分类的实验仿真中,相比传统的集成分类算法,ROF-ELM提高了分类精度,同时具有更强的稳定性与泛化性能。
内 容：原文可通过湖北省科技信息共享服务平台（http://www.hbstl.org.cn)获取