监督分类[21]是指，在有已知类别标签的样本集的前提下，利用一定的判别规则去判断要分类的测试样本元素属于什么类别。无监督分类[19]则是在没有已知类别的标签下，先按照整体要测试样本的特征信息的统计分布规律[22]把样本相同类别的分在一组，但并不知道每一组具体是什么类别的，所以还需要另外具体按照客观的类别，如去样本采集地确认真是的类别。49133
目前用的比较多的分类器算法是基于传统的SVM支持向量机[20](Support Vector Machine )实现的。支持向量机在20世纪90年代就被提出来，被证明是一种非常有效的机器学习机。它由更早的统计学习理论发展而来[20]。由于该算法从提出至今一直很火热，所以关于这一算法的变形和改进的内容也非常多。有关于支持向量机变形算法的设计与研究，也有基于SVM的大数据集高效效学习算法的研究，在很多分类问题上提出了支持向量机核化和核函数的选择。Camps-Valls参与的一项研究就有关于基于支持向量机的混合核函数的高光谱图像分类的研究，提出支持向量机可使用交叉信息核[20]的观点。国内也有不少专家对变形SVM，核函数SVM研究的很深刻，取得了不少成果。如谭琨等就分析出基于RBF核的支持向量机的分类精度较高，并指出RBF核在高光谱图像中分类中是不错的选择。
支持向量机在很多小样本训练的情况下，表现出了很好的分类性能，甚至要比很多传统的统计要优异，论文网被广泛用于高光谱图像分类，支持向量机将特征向量映射到更高的维度空间，采用数学方法和优化技术进行分类。目前已有很多实验和文献研究了SVM与传统神经网络在图像分类处理中的对比，SVM都表现出了不俗的抗噪性和很高的识别率，而且其泛化能力
还很不错。
机器学习领域的一大热门人工神经网络[10]（articles neural network）常常出现在与各种分类器算法做对比的实验中，基于它发展出来的算法数不胜数。是对自然神经网络或人脑的基本特性的抽象和模拟，通过仿照大脑的某些工作机制，来实现各方面的功能，目前在模式识别分类领域，通过对训练样本的学习，来调整网络的参数，对整个数据进行分类，神经网络具有自我学习，自组织能力强，大规模并行能力好等特点。
极限学习机(extreme learning machine)ELM[10]，是一种人工神经网络算法，具体的说，它是一种简单使用起来方便且很有效的单隐层前馈神经网络(SLFN)算法。与其他的机器学习的算法不同的是极限学习机在使用时只需要设置隐藏层节点个数[4]，不需要在算法执行的过程中去调整网络的输入权值和隐藏神经元的偏置，就可以产生唯一的最优解具有学习速度快泛化性能好等优点。越来越受到研究者们的青睐[25]，也出现了很多变形的改进版极限学习机[7,8]。
由于ELM的速度快，参数少的优点。不少学者用极限学习机算法做图像分类，而且它在小样本训练的情况下往往能够达到80%到90%甚至更高的分类精度。由KUI在Remote Sensing上发表的一篇文献[11]中的实验数据还可以看到，基于MH预测的ELM分类器其分类性能也是相当不错的,甚至有些改版极限学习机要在速度和泛化性能[26]上都略超过SVM。
结合目前的研究现状来看，比较好的分类思想是联合空间和光谱信息，得到空谱联合信息数据集，再基于分类器算法分类。在分类器算法方面，本文将基于MH预测的空谱联合方式，构造出基于改进的核极限学习机KELM算法来实现高光谱图像的监督分类，并介绍SVM分类算法，将基于KELM的分类器与基于SVM的分类器展开对比，分析和评测KELM分类器的实际分类性能。 分类器算法的研究现状:http://www.youerw.com/yanjiu/lunwen_52046.html