结合随机子空间与SSAE-LR的高光谱图像分类

发布时间：2021-04-07 15:28

　　针对高光谱数据维度高、样本数有限对分类精度产生局限性的问题,提出了一种结合随机子空间与堆栈式稀疏自编码器深度网络模型（SSAE-LR）的高光谱图像分类新方法。首先基于像素邻域窗口进行像素邻域结构信息的空间特征提取,并将其与光谱信息进行串行拼接;然后利用随机子空间方法在得到的整体特征空间中随机选取若干大小相同的特征子集;最后在这些特征子集上利用SSAE-LR训练获得基分类器,并将所有基分类器的输出进行集成得到分类结果。通过两组高光谱图像数据的实验结果可知,该方法能有效提高传统方法的分类效果。 

【文章来源】：地理空间信息. 2020,18(09)

【文章页数】：7 页

【部分图文】：

邻域结构信息提取过程

池化操作

自动编码器是深度学习中的一种典型算法，可实现非监督的数据特征提取，是由输入层、隐含层和重构层构成的3层前馈神经网络，其中输入层和重构层的节点数相等（图3）。SAE通过对自编码网络中隐含层的输出作一定的限制，使得大多数的隐含层节点都处于非激活状态，进而使编码后的表达更有意义。对于高光谱数据，假设x∈Rd(d为输入层神经元数）表示一个像素的空谱特征，通过线性函数和激活函数（Sigmoid函数）映射到隐含层，得到编码结果y∈Rm(m为隐含层神经元数），并以同样的步骤将隐含层向量y映射到重构层z(z∈Rd），则有：

【参考文献】：
期刊论文
[1]高光谱遥感影像分类研究进展[J]. 杜培军,夏俊士,薛朝辉,谭琨,苏红军,鲍蕊.  遥感学报. 2016(02)

硕士论文
[1]基于SVM与子空间结合的高光谱图像分类算法研究[D]. 闫会敏.西安科技大学 2014
[2]深度学习中的自编码器的表达能力研究[D]. 王雅思.哈尔滨工业大学 2014



本文编号：3123742