基于深度学习的极化SAR分类研究

发布时间：2017-08-29 04:28

  本文关键词：基于深度学习的极化SAR分类研究

  更多相关文章： 极化SAR分类 深度学习 高斯限制玻尔兹曼机 深度信念网 Wishart限制玻尔兹曼机 SLIC超像素

【摘要】：极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,简称极化SAR)是目前遥感领域较为先进的传感系统之一。因为采用了多通道获取数据并成像,所以极化SAR数据包含了更丰富的极化信息,包含了更多的地物信息和特征,基于极化SAR数据地物分类问题的研究也一直是雷达图像理解与处理领域的研究重点。近年来,深度学习在机器学习领域引起广泛重视,并在工业界和学术界取得了令人振奋的成果。本文的主要工作是研究基于深度学习的极化SAR图像分类方法,以深度信念网络模型为基础,将其应用于极化SAR地物分类,结合极化SAR数据的统计分布特性提出了改进的极化SAR地物分类方法。主要工作如下:1.研究了深度学习方法中的深度信念网络(DBN),深入讨论了DBN的基本构成和原理。着重对其基本构成单元受限制玻尔兹曼机(RBM)进行分析,并将其扩展应用到了极化SAR数据的分类上。引入高斯限制玻尔兹曼机(GRBM),实现了基于GRBM的极化SAR地物分类算法,并通过实验分析了算法的性能,验证了在算法模型在极化SAR数据地物分类问题的有效性;2.在对RBM的原理深入分析的基础上,结合极化SAR的统计分布特性,将更能表征极化SAR数据特性的Wishart分布引入RBM,对RBM进行改进,提出了Wisahrt RBM(WRBM),通过实验验证了WRBM能够有效学习极化SAR数据的特性,并且在地物分类正确率和分类效果达到优于GRBM和SVM的分类结果;3.针对DBN模型在训练过程中存在的过拟合现象进行分析,并提出了基于Robust Training训练DBN模型的解决方法。在模型预训练时,引入邻域信息,通过对邻域信息重构来实现RBM的训练,提升模型的推广能力。在模型的整体微调阶段,引入邻域信息,更好地防止随机梯度下降法将模型调整至局部最优解,增强了模型的分类稳定性,最终实验结果验证了Robust Training的有效性。
【关键词】：极化SAR分类 深度学习 高斯限制玻尔兹曼机 深度信念网 Wishart限制玻尔兹曼机 SLIC超像素
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN957.52
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 符号对照表10-11
• 缩略语对照表11-14
• 第一章 绪论14-18
• 1.1 引言14-15
• 1.2 研究的目的与研究现状15-16
• 1.3 研究内容及章节安排16-18
• 第二章 相关理论基础概述18-28
• 2.1 极化SAR地物分类概述18-22
• 2.1.1 极化SAR表示形式18-20
• 2.1.2 极化SAR分布特性20-21
• 2.1.3 极化SAR分类方法21-22
• 2.2 深度学习方法概述22-27
• 2.2.1 自动编码器23-24
• 2.2.2 卷积神经网络24-25
• 2.2.3 深度信念网络25-27
• 2.3 本章小结27-28
• 第三章 基于GRBM的极化SAR分类方法28-44
• 3.1 DBN模型原理28-31
• 3.1.1 受限制玻尔兹曼机（RBM）28-30
• 3.1.2 softmax回归30-31
• 3.1.3 反向传播算法（Back Propagation）31
• 3.2 基于GRBM的DBN模型31-34
• 3.2.1 高斯限制玻尔兹曼机（GRBM）31-32
• 3.2.2 基于GRBM的极化SAR分类算法32-34
• 3.3 实验结果比较与分析34-43
• 3.4 本章小结43-44
• 第四章 基于WRBM的极化SAR分类方法44-54
• 4.1 Wishart限制玻尔兹曼机（WRBM）44-45
• 4.2 基于WRBM的极化SAR分类算法设计45-46
• 4.3 实验结果比较与分析46-52
• 4.4 本章小结52-54
• 第五章 基于Robust Training的DBN极化SAR分类算法54-62
• 5.1 基于Robust Training的DBN训练方法54-56
• 5.2 SLIC超像素算法56-57
• 5.3 基于Robust Training的DBN极化SAR分类算法57-58
• 5.4 实验结果比较与分析58-60
• 5.5 本章小结60-62
• 第六章 总结与展望62-64
• 6.1 总结62
• 6.2 展望62-64
• 参考文献64-70
• 致谢70-72
• 作者简介72-73

【参考文献】

中国期刊全文数据库 前7条

1 吕启;窦勇;牛新;徐佳庆;夏飞;;基于DBN模型的遥感图像分类[J];计算机研究与发展;2014年09期

2 孙志军;薛磊;许阳明;王正;;深度学习研究综述[J];计算机应用研究;2012年08期

3 吴永辉;计科峰;郁文贤;;基于支持向量机的极化SAR图像分类[J];现代雷达;2007年06期

4 薄华;马缚龙;焦李成;;图像纹理的灰度共生矩阵计算问题的分析[J];电子学报;2006年01期

5 刘秀清,杨汝良,杨震;双波段全极化SAR图像非监督分类方法及实验研究[J];电子与信息学报;2004年11期

6 刘哲,郝重阳,冯伟,刘晓翔,樊养余;一种基于小波系数特征的遥感图像融合算法[J];测绘学报;2004年01期

7 王之禹,朱敏慧,白有天;基于Mueller矩阵分解的非监督聚类算法[J];电子与信息学报;2001年05期

，

本文编号：751316