融合城市行道树特征选取模型的自适应深度学习分类

发布时间：2021-02-26 01:31

　　针对城市行道树的学习多分类问题,本文在综合分析城市行道树多分类特征的基础上,提出一种融合特征自动选取模型的自适应深度学习方法。基于随机森林法,学习行道树的特征重要性,通过特征消除方法舍弃不重要的特征,实现城市行道树多分类特征自动选取;在城市行道树分类特征工程提取的基础上,构建了城市行道树多分类问题的自适应深度学习方法,并采用交叉验证与参数搜索方法,对所提出的深度学习模型进行改进。试验结果表明,本文所提出的融合特征自动选取模型的自适应深度学习方法具有良好性能,解决了城市行道树多分类预测的准确性与泛化问题。 

【文章来源】：测绘通报. 2020,(06)北大核心

【文章页数】：4 页

【部分图文】：

2类树的胸径直方图

融合基于机器学习的自动化特征选取模型是本文主要的创新点之一。采用基于随机森林的特征自动选取方法选取重要分类特征，行道树的特征自动选取试验如图3所示。本节试验主要比较融合特征工程的深度学习分类方法(FEAdaLearning)和原始深度学习分类方法(DeepLearning)，采用分类精度衡量分类模型的优劣。FEAda Learning的分类精度为0.86,Deep Learning的分类精度为0.50，可见融合特征工程的深度学习模型具有更好的分类准确率。

分析表2可知，自适应深度学习的初始学习率设置为0.2时，可以获得最好的分类测试精度。通过交叉验证试验分析法可以更好地探索深度学习模型参数，从而有效提升深度学习模型算法的泛化能力。基于自适应深度学习的行道树分类方法通过自适应地为深度学习参数分配不同学习率η，不断地学习迭代，逐步实现分类代价误差最小，直到收敛。不同的自适应深度学习方法都实现了收敛，当learning＿rate＿init=0.001学习效果最差，而当初始化学习率设置为0.2时，学习效果最佳，因此本文将初始化学习率参数设置为0.2时，如图4所示。3.3 行道树分类的模型评估指标与评分

【参考文献】：
期刊论文
[1]结合深度学习和图割法的遥感影像建筑物检测[J]. 刘舸,邓兴升.  测绘通报. 2019(11)
[2]联合像元-深度-对象特征的遥感图像城市变化检测[J]. 赵生银,安如,朱美如.  测绘学报. 2019(11)
[3]基于日照需求的热带城市行道树的配置——以海口市为例[J]. 汪丽,康梓杭,吴庆书.  热带生物学报. 2019(04)
[4]基于i-Tree模型的城市小区行道树生态效益评价[J]. 熊金鑫,祁慧君,王倩茹,汪倩如,王少华,左文涛,孙圆.  南京林业大学学报(自然科学版). 2019(02)
[5]迁移学习支持下的土地利用/土地覆被分类[J]. 李海雷,胡小娟,郭杭,吴文瑾.  测绘通报. 2018(09)
[6]机器学习中的特征选择方法研究及展望[J]. 崔鸿雁,徐帅,张利锋,Roy E.Welsch,Berthold K.P.Horn.  北京邮电大学学报. 2018(01)
[7]图像深度层次特征提取算法[J]. 李钦,游雄,李科,汤奋.  模式识别与人工智能. 2017(02)
[8]利用多尺度特征与深度网络对遥感影像进行场景分类[J]. 许夙晖,慕晓冬,赵鹏,马骥.  测绘学报. 2016(07)
[9]深度学习及其在目标和行为识别中的新进展[J]. 郑胤,陈权崎,章毓晋.  中国图象图形学报. 2014(02)
[10]利用纹理特征提取城市用地信息方法探索[J]. 刘玉芳,刘定生.  测绘科学. 2005(04)

硕士论文
[1]上海松江大学城七所高校行道树调查与研究[D]. 沈玲丽.上海交通大学 2014



本文编号：3051869