面向極化SAR地物分類的稀疏深度網絡.pdf

1、隨著越來越多的極化合成孔徑雷達（Synthetic Aperture Radar，SAR）系統(tǒng)的出現(xiàn)及其實用化，我們獲得的極化SAR數(shù)據(jù)越來越豐富。如何利用這些極化SAR數(shù)據(jù)對地面場景進行分類，儼然成為一個研究熱點。深度網絡學習是近些年發(fā)展起來的一種新的機器學習方法，由于其出色的學習和推廣能力，已經被應用到許多方面。
　　本文對面向極化SAR地物分類的稀疏極化編碼問題進行研究。并結合實際問題，對已有的算法進行改進，同時提出自己的算

2、法：
　?。?）針對極化SAR數(shù)據(jù)過于復雜并且數(shù)據(jù)量過大而導致分類困難的問題，我們提出了一種基于稀疏極化DBN的極化SAR地物分類。該方法主要是在原有的DBN網絡的基礎之上加入了稀疏規(guī)則項，再與極化SAR數(shù)據(jù)的原始極化特征和鄰域極化特征相結合，實現(xiàn)了對極化SAR地物分類的目的。該方法充分利用了極化SAR數(shù)據(jù)的極化信息，使得提取到的特征更加具有代表性，從而提高了分類的精度以及加快了分類的速率；
　?。?）針對極化SAR數(shù)據(jù)的斑

3、點噪聲以及數(shù)據(jù)量龐大的問題，我們提出了基于稀疏極化自編碼網絡的極化SAR地物分類。該方法主要在稀疏自編碼的基礎之上，加入一定量的噪聲數(shù)據(jù)，并且結合極化SAR數(shù)據(jù)的原始極化特征和鄰域極化特征，實現(xiàn)了對極化SAR地物分類的目的。該方法在充分利用極化信息的同時，使得學習到的特征更加的魯棒性，而且有效的解決了極化SAR數(shù)據(jù)的原始特征存在嚴重相干斑噪聲污染而導致分類精度不高的問題，從而加快了分類速率也提升了分類精度；
　　（3）針對極化SA