基于ELM自编码器改进的高光谱图像特征学习算法研究

发布时间：2022-10-05 17:34

　　高光谱图像是光谱与图像信息的结合,是20世纪以来遥感技术中发展最为突出的方向之一,它为医疗、矿物勘探、农业等领域发展做出重大贡献。而数据量大、结构复杂、冗余信息与噪声多,是处理高光谱数据的一大难点。本文旨在研究能够消除噪声、充分挖掘数据信息、处理速度快的高光谱特征学习算法,以实现对高光谱图像数据可靠且高效的处理。本文研究了极限学习机与自编码器的相关原理。极限学习机具有速度快、泛化能力强的特点,基于极限学习机的自编码器可利用极限学习机的优势快速学习出数据的特征。针对高光谱数据,本文分析了高光谱图像的空间特征与光谱特征,并针对性地介绍了MH预测算法。为了提高高光谱图像的特征提取效率与分类精度,本文基于ELM-AE算法设计了:（1）基于高斯白噪声与空谱联合的MH-ELM-DAE高光谱特征学习算法;（2）基于深度学习与空谱联合的MH-HELM-AE高光谱特征学习算法。本文在4个数据集上用两个算法进行实验,验证改进算法的效果,并将Indiana Pines数据集的实验结果与其他算法的结果对比。实验结果表明,本文改进的MH-ELM-DAE和MH-HELM-AE算法对原始数据的特征提取效果提升较大。... 

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状及分析
    1.3 本文的主要研究内容
2 相关理论与技术文献综述
    2.1 极限学习机的相关原理
    2.2 自编码器的相关原理
    2.3 高光谱图像空间与光谱信息联合相关原理
    2.4 本章小结
3 高光谱图像特征学习算法设计
    3.1 基于高斯白噪声的ELM-DAE算法
    3.2 基于空谱联合的MH-ELM-DAE高光谱图像特征学习算法
    3.3 基于深度学习的MH-HELM-AE高光谱图像特征学习算法
    3.4 本章小结
4 基于ELM-AE改进的高光谱图像特征学习算法实验
    4.1 算法实验程序的实现
    4.2 算法性能综合评测与分析
    4.3 本章小结
5 总结与展望
    5.1 全文工作总结
    5.2 展望
致谢
参考文献


【参考文献】：
期刊论文
[1]基于PCA和极限学习机的高光谱遥感分类研究[J]. 李静,吴孔江.  北京测绘. 2018(07)
[2]基于泛化空间正则自动编码器的遥感图像识别[J]. 杨倩文,孙富春.  清华大学学报(自然科学版). 2018(02)
[3]基于改进PCA算法的人脸识别[J]. 张杨,张仁杰.  软件导刊. 2018(01)
[4]MATLAB环境下GPU并行计算的应用[J]. 段群,王小妮.  自动化与仪器仪表. 2017(06)
[5]基于极限学习的深度学习算法[J]. 赵志勇,李元香,喻飞,易云飞.  计算机工程与设计. 2015(04)
[6]深度自动编码器的研究与展望[J]. 曲建岭,杜辰飞,邸亚洲,高峰,郭超然.  计算机与现代化. 2014(08)
[7]高斯白噪声背景下图像去噪方法研究[J]. 杨晓慧.  长春大学学报. 2009(12)
[8]基于图像信噪比选择优化高斯滤波尺度[J]. 王文远.  电子与信息学报. 2009(10)
[9]高光谱遥感技术的发展与应用现状[J]. 杨国鹏,余旭初,冯伍法,刘伟,陈伟.  测绘通报. 2008(10)
[10]基于流形学习的多示例回归算法[J]. 詹德川,周志华.  计算机学报. 2006(11)

硕士论文
[1]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：3686208