基于深度RBF網(wǎng)絡(luò)的SAR影像地物分類(lèi).pdf

1、目前大部分的SAR(Synthetic Aperture Radar)影像地物分類(lèi)算法可以看作是通過(guò)對(duì)淺層學(xué)習(xí)的特征進(jìn)行分類(lèi)，學(xué)習(xí)到的特征比較低級(jí)，分類(lèi)準(zhǔn)確率不高，因此復(fù)雜分類(lèi)器的設(shè)計(jì)成為人們的研究熱點(diǎn)。本文基于深度學(xué)習(xí)的思想，提出了一個(gè)基于RBF(Radial Base Function)網(wǎng)絡(luò)的含三個(gè)隱含層的數(shù)據(jù)分類(lèi)模型，其通過(guò)第一個(gè)隱含層將輸入數(shù)據(jù)變換到高維空間，使之成為線性的，可分類(lèi)的特征，然后通過(guò)第二個(gè)隱含層的自我學(xué)習(xí)，提取出高

2、級(jí)的可分特征，最后再把高級(jí)的可分特征變換到更高維度的空間，將得到更高級(jí)的線性特征用來(lái)實(shí)現(xiàn)分類(lèi)。將這個(gè)深度RBF網(wǎng)絡(luò)模型及其改進(jìn)和優(yōu)化后的算法應(yīng)用在UCI數(shù)據(jù)庫(kù)、SAR影像地物數(shù)據(jù)以及多特征多類(lèi)別的紋理圖像的分類(lèi)問(wèn)題上，都獲得比淺層學(xué)習(xí)方法SVM(Support Vector Machine)和RBF更高的魯棒性和分類(lèi)準(zhǔn)確率。所取得的主要研究成果為：
　　(1)提出了一種基于RBF網(wǎng)絡(luò)和SAE(Sparse AutoEncoder)

3、網(wǎng)絡(luò)的SAR影像地物分類(lèi)方法，主要解決現(xiàn)有的淺層機(jī)器學(xué)習(xí)的方法特征提取不優(yōu)，分類(lèi)準(zhǔn)確率低的問(wèn)題。其算法思想是基于深度學(xué)習(xí)，將單層的RBF網(wǎng)絡(luò)與SAE網(wǎng)絡(luò)結(jié)合擴(kuò)展成三層結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)模型，將提取的SAR影像紋元特征通過(guò)該深度神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練分類(lèi)，得到比淺層學(xué)習(xí)算法(SVM、RBF)更高的分類(lèi)精度，證實(shí)了該方法的可行性與高效性。
　　(2)提出了一種基于RBF網(wǎng)絡(luò)和RBM(Restricted Boltzmann Machines

4、)網(wǎng)絡(luò)的深度RBF分類(lèi)器，基于SAE網(wǎng)絡(luò)提取特征的局限性，特別是在多特征多樣本數(shù)據(jù)分類(lèi)問(wèn)題上準(zhǔn)確率不如淺層分類(lèi)方法的缺陷，我們把SAE網(wǎng)絡(luò)替換成RBM網(wǎng)絡(luò)，該分類(lèi)器應(yīng)用在多類(lèi)別多特征的UCI數(shù)據(jù)集、紋理圖像集和SAR影像地物分類(lèi)問(wèn)題時(shí)，獲得比基于RBF網(wǎng)絡(luò)和SAE網(wǎng)絡(luò)的SAR影像地物分類(lèi)方法及淺層學(xué)習(xí)算法(SVM、RBF)更高的準(zhǔn)確率，仿真實(shí)驗(yàn)說(shuō)明了該分類(lèi)器提取到更優(yōu)的分類(lèi)特征。
　　(3)完成了進(jìn)化深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與優(yōu)化。為了