基于極速學(xué)習(xí)理論的高光譜數(shù)據(jù)分類.pdf

1、高光譜遙感數(shù)據(jù)的高維,海量,異構(gòu),標(biāo)記樣本少等特點給高光譜圖像的研究帶來了極大的挑戰(zhàn)。極速學(xué)習(xí)算法是最近幾年提出的一種新穎的機器學(xué)習(xí)算法,由于其輸入層權(quán)值和隱藏層偏值隨機設(shè)置,輸出層權(quán)值能夠以解析的形式求出來,所以在大規(guī)模數(shù)據(jù)分類中表現(xiàn)出運行速度快,分類正確率高,泛化性能好等特點。本文在研究極速學(xué)習(xí)理論的基礎(chǔ)上,針對高光譜遙感數(shù)據(jù)的高維,標(biāo)記樣本少,受到了隨機噪聲影響等問題,分別提出了稀疏極速學(xué)習(xí)機,半監(jiān)督極速學(xué)習(xí)機,以及貝葉斯極速學(xué)習(xí)

2、機等學(xué)習(xí)模型,以實現(xiàn)高光譜數(shù)據(jù)的快速準(zhǔn)確分類。所做主要工作如下:
　　(1)針對高光譜數(shù)據(jù)的降維與學(xué)習(xí),提出稀疏極速學(xué)習(xí)機模型與相應(yīng)的學(xué)習(xí)算法。由于學(xué)習(xí)機的性能與數(shù)據(jù)特征密切相關(guān),所以我們將高光譜數(shù)據(jù)的特征選擇問題與學(xué)習(xí)機的模型選擇問題歸結(jié)為稀疏表示問題,提出同時完成數(shù)據(jù)降維與結(jié)構(gòu)優(yōu)化的稀疏極速學(xué)習(xí)機模型與學(xué)習(xí)算法。稀疏結(jié)構(gòu)不僅可以降低網(wǎng)絡(luò)的計算復(fù)雜度,而且有可能帶來更好的推廣能力。本文也將該模型推廣到深層結(jié)構(gòu),構(gòu)造了稀疏深層極速

3、學(xué)習(xí)機模型與相應(yīng)的學(xué)習(xí)算法,以達(dá)到快速準(zhǔn)確的高光譜數(shù)據(jù)學(xué)習(xí)。在公測的高光譜數(shù)據(jù)上進行實驗,結(jié)果表明,該方法能夠在低維的數(shù)據(jù)上實現(xiàn)快速準(zhǔn)確的分類。
　　(2)針對高光譜數(shù)據(jù)存在的混合像元現(xiàn)象以及標(biāo)記樣本代價高的問題,提出基于修正聚類假設(shè)的半監(jiān)督極速學(xué)習(xí)機模型與相應(yīng)算法。將半監(jiān)督分類中常用的聚類假設(shè)進行修正,利用未標(biāo)記樣本信息建立修正聚類假設(shè)下的流形正則,提出了基于半監(jiān)督極速學(xué)習(xí)與修正聚類假設(shè)的高光譜數(shù)據(jù)分類技術(shù)。在極少標(biāo)記樣本時達(dá)到

4、準(zhǔn)確的分類。在 Indiana等數(shù)據(jù)上進行實驗,實驗結(jié)果表明該方法在同等條件下不僅分類正確率優(yōu)于其它方法,而且時間復(fù)雜度也很低。
　　(3)針對高光譜數(shù)據(jù)中存在的混合像元與噪聲問題,提出空-譜貝葉斯極速學(xué)習(xí)機模型與相應(yīng)的學(xué)習(xí)算法。考慮到高光譜成像中受到的不同程度的各種系統(tǒng)和隨機噪聲影響,對噪聲進行建模,引入貝葉斯技術(shù)構(gòu)造更加魯棒的貝葉斯極速學(xué)習(xí)方法。引入空間一致性假設(shè),聯(lián)合利用高光譜的空-譜信息,建立空-譜貝葉斯極速學(xué)習(xí)機模型與學(xué)