基于稀疏表示和半监督主动学习的小样本高光谱数据分类问题研究

发布时间：2017-07-20 20:06

  本文关键词：基于稀疏表示和半监督主动学习的小样本高光谱数据分类问题研究

  更多相关文章： 高光谱数据 小样本 稀疏表示 半监督学习 主动学习 分类准确度

【摘要】：高光谱数据含有的光谱波段数量少则几十多则数百,提供了大量的有价值信息,有利于对地物进行精细分类。而高光谱数据分类却面临着数据维数高,标记样本有限,人工标记成本昂贵等具有挑战性的问题。为了解决高光谱数据分类问题,不断有学者提出新的方法。无监督分类不需要人工进行标记,但是分类准确度相对较低。传统的监督学习取得了较好的分类效果,但需要大量的标记样本。此外,为了避免休斯现象,许多算法都需要对数据进行降维处理,而降维会导致一些有价值信息的丢失。稀疏表示算法既不需要对高维数据进行降维处理,也不需要训练和学习分类器,便可实现对高光谱数据的分类。本文以稀疏表示算法为基础,围绕高光谱数据的分类问题主要做了以下几个方面的研究:1.基于稀疏表示算法探讨小样本高光谱数据分类问题中分类准确度与标记样本数量的关系问题。虽然研究人员在提高小样本高光谱数据分类准确度方面做出了不懈努力,但尚无人在标记样本数量与分类准确度的关系方面做进一步研究。本文从理论和实验两个方面推导和验证了两者之间成正相关关系,并根据实验绘制出函数曲线。该研究成果为小样本高光谱数据的分类研究提供了很好的理论和实验依据。2.针对半监督高光谱数据分类准确度不高的伪标记样本识别问题,本文在对前期工作进行总结的基础上,分析失败原因,提出了基于稀疏表示和半监督主动学习的分类框架。采用稀疏表示算法构建基分类器,结合半监督主动学习算法,一方面利用主动学习对少量“关键”样本进行标记,以降低对随机选择样本进行标记的工作量和成本,另一方面利用半监督学习得到的伪标记样本集来增加训练样本数量。为了降低伪标记样本的错分率,算法融入了伪标记确认程序来剔除可能标记错误的伪标记样本。通过实验与其它算法进行对比证明了所提算法的有效性,实现了小样本高光谱数据的高精度分类。本文基于稀疏表示算法探讨小样本高光谱数据分类问题,通过理论分析和实验论证创新性地提出分类准确度与标记样本数量之间的函数关系,与此同时,提出将稀疏表示和半监督主动学习相结合的算法框架,提高了小样本高光谱数据的分类准确度。
【关键词】：高光谱数据 小样本 稀疏表示 半监督学习 主动学习 分类准确度
【学位授予单位】：北方民族大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP751
【目录】：

• 摘要3-5
• Abstract5-9
• 第一章 引言9-19
• 1.1 研究背景与意义9-10
• 1.2 高光谱遥感概述10-15
• 1.2.1 高光谱遥感图像10-11
• 1.2.2 高光谱遥感数据处理技术11-13
• 1.2.3 高光谱图像分类的国内外研究概况13-15
• 1.3 高光谱遥感的应用15-16
• 1.4 本文主要研究内容16-18
• 1.5 本章小结18-19
• 第二章 主要算法的理论基础19-30
• 2.1 稀疏表示19-25
• 2.1.1 稀疏表示优化算法19-24
• 2.1.2 稀疏分类24-25
• 2.2 半监督学习25-28
• 2.2.1 基于生成式模型算法26
• 2.2.2 半监督支持向量机算法26
• 2.2.3 基于图的半监督算法26-27
• 2.2.4 基于分歧的半监督算法27-28
• 2.3 主动学习28-29
• 2.3.1 基于委员会的采样策略28-29
• 2.3.2 基于边缘的采样策略29
• 2.3.3 基于泛化误差减小的采样策略29
• 2.4 本章小结29-30
• 第三章 高光谱数据分类准确度与标记样本数量关系的研究30-39
• 3.1 引言30-31
• 3.2 理论分析31-33
• 3.2.1 相干系数31
• 3.2.2 MP的收敛和重构31-32
• 3.2.3 推论32-33
• 3.3 实验分析33-37
• 3.3.1 数据集33-34
• 3.3.2 数据预处理和实验步骤34-35
• 3.3.3 实验结果和分析35-37
• 3.4 本章小结37-39
• 第四章 小样本高光谱数据分类问题的研究39-51
• 4.1 引言39
• 4.2 前期研究工作39-44
• 4.2.1 基于稀疏表示和集成学习算法39-40
• 4.2.2 基于稀疏表示和半监督学习算法40-43
• 4.2.3 实验结果与分析43-44
• 4.3 基于稀疏表示和半监督主动学习算法44-46
• 4.4 实验结果及分析46-50
• 4.5 本章总结50-51
• 第五章 总结与展望51-53
• 5.1 工作总结51
• 5.2 研究展望51-53
• 参考文献53-59
• 致谢59-60
• 硕士期间主要的研究成果60

【相似文献】

中国期刊全文数据库 前10条

1 陈思宝;赵令;罗斌;;局部保持的稀疏表示字典学习[J];华南理工大学学报(自然科学版);2014年01期

2 郑轶;蔡体健;;稀疏表示的人脸识别及其优化算法[J];华东交通大学学报;2012年01期

3 段菲;章毓晋;;一种面向稀疏表示的最大间隔字典学习算法[J];清华大学学报(自然科学版);2012年04期

4 张佳宇;彭力;;基于联合动态稀疏表示方法的多图像人脸识别算法[J];江南大学学报(自然科学版);2014年03期

5 查长军;孙南;张成;韦穗;;基于稀疏表示的特定目标识别[J];吉林大学学报(工学版);2013年01期

6 朱启兵;杨宝;黄敏;;基于核映射稀疏表示分类的轴承故障诊断[J];振动与冲击;2013年11期

7 王国权;张扬;李彦锋;王丽芬;马晓梅;;一种基于稀疏表示的图像去噪算法[J];工业仪表与自动化装置;2013年05期

8 耿耀君;张军英;;一种基于投影稀疏表示的基因选择方法[J];哈尔滨工程大学学报;2011年08期

9 翟懿奎;甘俊英;徐颖;曾军英;;快速稀疏表示指背关节纹识别及其并行实现[J];吉林大学学报(工学版);2012年S1期

10 詹永照;张珊珊;成科扬;;基于非线性可鉴别的稀疏表示视频语义分析方法[J];江苏大学学报(自然科学版);2013年06期

中国重要会议论文全文数据库 前3条

1 何爱香;刘玉春;魏广芬;;基于稀疏表示的煤矸界面识别研究[A];虚拟运营与云计算——第十八届全国青年通信学术年会论文集（上册）[C];2013年

2 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

3 葛凤翔;任岁玲;郭鑫;郭良浩;孙波;;微弱信号处理及其研究进展[A];中国声学学会水声学分会2013年全国水声学学术会议论文集[C];2013年

中国博士学位论文全文数据库 前10条

1 李进明;基于稀疏表示的图像超分辨率重建方法研究[D];重庆大学;2015年

2 王亚宁;基于信号稀疏表示的电机故障诊断研究[D];河北工业大学;2014年

3 姚明海;视频异常事件检测与认证方法研究[D];东北师范大学;2015年

4 黄国华;蛋白质翻译后修饰位点与药物适应症预测方法研究[D];上海大学;2015年

5 王瑾;基于稀疏表示的数据收集、复原与压缩研究[D];北京工业大学;2015年

6 王文卿;基于融合框架与稀疏表示的遥感影像锐化[D];西安电子科技大学;2015年

7 解虎;高维小样本阵列自适应信号处理方法研究[D];西安电子科技大学;2015年

8 秦振涛;基于稀疏表示及字典学习遥感图像处理关键技术研究[D];成都理工大学;2015年

9 薛明;基于稀疏表示的在线目标跟踪研究[D];上海交通大学;2014年

10 孙乐;空谱联合先验的高光谱图像解混与分类方法[D];南京理工大学;2014年

中国硕士学位论文全文数据库 前10条

1 王道文;基于稀疏表示的目标跟踪算法研究[D];华南理工大学;2015年

2 李哲;基于稀疏表示和LS-SVM的心电信号分类[D];河北大学;2015年

3 孙雪青;Shearlet变换和稀疏表示相结合的甲状腺结节图像融合[D];河北大学;2015年

4 吴丽璇;基于稀疏表示的微聚焦X射线图像去噪方法[D];华南理工大学;2015年

5 赵孝磊;基于图像分块稀疏表示的人脸识别算法研究[D];南京信息工程大学;2015年

6 黄志明;基于辨别式稀疏字典学习的视觉追踪算法研究[D];华南理工大学;2015年

7 张铃华;非约束环境下的稀疏表示人脸识别算法研究[D];南京信息工程大学;2015年

8 贺妍斐;基于稀疏表示与自适应倒易晶胞的遥感图像复原方法研究[D];南京信息工程大学;2015年

9 杨烁;电能质量扰动信号的稀疏表示/压缩采样研究[D];西南交通大学;2015年

10 应艳丽;基于低秩稀疏表示的目标跟踪算法研究[D];西南交通大学;2015年

，

本文编号：569741