SAR圖像變化檢測是從兩幅來自不同時相同一地域的SAR圖像中計算出發(fā)生變化的區(qū)域。抑制SAR圖像中各種噪聲的影響,得到更加準確的變化檢測結果是目前研究的重要課題。自步學習是模擬人類的學習過程,從簡單到復雜逐漸學習樣本,該方法能夠避免模型的學習陷入局部最優(yōu),有效的抑制噪聲的影響,但是存在參數(shù)難以調節(jié)的問題。本文研究了基于粒子群優(yōu)化算法的自適應自步學習,并針對現(xiàn)有SAR圖像變化檢測的不足,提出了基于自適應自步學習的SAR圖像變化檢測,主要完成了以下三項工作:針對自步學習年齡參數(shù)難以調節(jié)的問題,提出了基于粒子群優(yōu)化的自適應自步學習,用粒子群優(yōu)化算法對年齡參數(shù)進行優(yōu)化,使得年齡參數(shù)能夠自適應地調節(jié)。通過分析年齡參數(shù)的特點,提出了一種新的編碼方法用于年齡參數(shù)的編碼,縮小搜索的可行域空間,提高算法的收斂速度。分析自步學習的目標函數(shù),設計了一個用于評價年齡參數(shù)編碼的適應度函數(shù)。在矩陣分解和動作識別兩個實驗上證明了,提出的算法有效地解決了年齡參數(shù)的調節(jié)問題,同時能夠找到更優(yōu)秀的年齡參數(shù),使得算法的學習效果顯著地優(yōu)于傳統(tǒng)的自步學習方法�？紤]到現(xiàn)有的變化檢測方法中噪聲對變化檢測結果的影響問題。將自適應自步學習方法應用于SAR圖像變化檢測,提高算法對于噪聲的抑制能力,提出了基于自步學習和對稱卷積耦合網(wǎng)絡的SAR圖像變化檢測。將自步學習用于選擇SAR圖像中的像素點來進行對稱卷積耦合網(wǎng)絡的訓練,使得網(wǎng)絡優(yōu)先學習簡單的像素點,然后逐漸學習復雜的像素點,讓對稱卷積耦合網(wǎng)絡對SAR圖像的學習更加符合機器學習的路徑,避免了網(wǎng)絡的學習陷入局部最優(yōu)。同時在理論上對該算法進行了分析,提出了算法需要優(yōu)化的目標函數(shù),以及目標函數(shù)的優(yōu)化步驟。實驗證明了本文提出的算法對噪聲的抑制能力比現(xiàn)有的SAR圖像變化檢測算法更好。針對現(xiàn)有的基于深度神經(jīng)網(wǎng)絡的SAR變化檢測方法,在選取訓練樣本時,可能會選取到分類錯誤的訓練樣本,從而誤導網(wǎng)絡的訓練。本文提出了基于多樣性自步學習和PCANet的SAR圖像變化檢測,利用FCM算法對兩幅SAR圖像進行聯(lián)合分類,得到初始的變化檢測結果,從初始結果中選擇訓練樣本,對訓練樣本用FCM算法進行分組,用自適應自步學習來訓練一個PCANet神經(jīng)網(wǎng)絡模型,得到最終的變化檢測結果。算法優(yōu)先學習簡單的像素點,然后逐漸學習復雜的像素點,能夠減少分類錯誤的訓練樣本對神經(jīng)網(wǎng)絡的誤導,同時考慮到了樣本的多樣性,使得樣本在訓練的時候更加合理。在多組SAR圖像數(shù)據(jù)上證明了本文提出的算法的有效性。
【學位單位】：西安電子科技大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TP751
【部分圖文】：

自步學習是受到人類的動物的學習過程的啟發(fā)，模型人類和動物的認知機理，先??學習簡單易懂的知識，慢慢增加知識的難度，然后能夠學習到更加復雜易懂的知識［氣??如圖１．２所示，我們在學習一個小狗圖片的模型時候。右邊的小狗圖片被各種環(huán)境所??遮擋，具有復雜的背景，小狗只有部分頭部露出，機器學習起來會有一定的難度，但??是左邊的圖片比較清晰，背景簡單，容易辨別。因此機器在學習的時候，我們設計讓??它先學習左邊的簡單樣本，在具有一定的學習基礎之后，我們逐漸加大學習的難度，??最終能夠學習到右邊的比較復雜的樣本。??簡單???復雜?、??翁．???ｉ?＾自步學習＾ｉ???簡單易學的樣本ｊ?＃復雜難以辨別的樣本??圖１．２自步學習的學習過程??自步學習從提出發(fā)展到現(xiàn)在，越來越受到研宄人員的關注。在機器視角、模式識??別等諸多領域中有著越來越多的應用。??１．３．２?自步學習的研宄現(xiàn)狀??Ｂｅｎｇｉｏ教授等人在研宄人類和動物的學習行為時發(fā)現(xiàn)，當我們有組織有計劃地??去安排學習一些東西時，要比我們隨機地選擇內(nèi)容學習，其學習的效率更高［２７］。我們??６??

?西安電子科技大學碩士學位論文????習步長。一般的，年齡參數(shù)隨著自步學習算法的迭代而不斷增大，整個自步學需要一個遞增的年齡序列。因此，在自步學習的前期，年齡參數(shù)一般會比較小，??“簡單”的樣本會被選擇加入學習，機器會通過學習簡單的知識，初步建立一識基礎，為學習復雜的樣本做準備。在自步學習的中期，年齡參數(shù)增大，一些雜”的樣本會被加入機器學習，這些復雜的樣本通常有著豐富的知識和很多的息，機器能夠學習到更豐富的知識。在自步學習的后期，年齡參數(shù)很大，一些、無意義的、具有很大噪聲的樣本會被選擇加入機器進行學習，這些樣本會誤學習好的機器，為機器學習的表現(xiàn)產(chǎn)生“負”的影響［４４］。??因此年齡參數(shù)不僅控制著自步學習的學習步長，同時影響著模型優(yōu)化的路徑。示了四種不同的年齡序列在矩陣分解問題上的學習過程。使用的數(shù)據(jù)集以及詳細參數(shù)設置與２．４．１小節(jié)的矩陣分解實驗相同。其中橫軸是自步學習的迭代縱軸是矩陣分解結果的均方誤差（ＲＭＳＥ）。從圖中可以看出，不同的年齡參數(shù)有著不同的優(yōu)化路徑，得到的學習結果也有很大的差異。??

圖２．３均勻增加樣本示意圖??這種年齡參數(shù)設置方法會保證每次學習都會有新的樣本加入訓練，但是一般情況??下，樣本的難易程度并不是均勻分布的，如圖２．３所示，按照每次加入兩個樣本來訓??練模型，在一次新的訓練中，樣本的難易程度可能突然增加很大，也可能變化很小，??或者是不發(fā)生變化。??（２）按照等比增加年齡參數(shù)，根據(jù)年齡參數(shù)選擇樣本加入訓練。比如按照公式??ｚｌ?＝?／／Ａ來增加年齡參數(shù)，其中；Ｉ表示自步學習的年齡參數(shù)，Ｐ表示更新權重。??這種年齡參數(shù)設置方法會保證年齡參數(shù)按照一定的比例增加，也就是被選擇樣本??的困難程度會按照一定的比例增加。如圖２．４所示，選擇的樣本的困難程度會按照一??定的比例增加，由于樣本的難易程度并不是按照等比增加的，所以在一次新的訓練中，??有可能一個新樣本也沒有被選擇加入到模型訓練，也有可能一次加入了大量的樣本進??行訓練。??．？？？Ｗ???＊??
【相似文獻】

相關期刊論文 前10條

1 眭海剛;馮文卿;李文卓;孫開敏;徐川;;多時相遙感影像變化檢測方法綜述[J];武漢大學學報(信息科學版);2018年12期

2 謝馨嫻;岳彩榮;霍鵬;;森林變化檢測方法比較[J];四川林業(yè)科技;2018年03期

3 王娜;張景發(fā);;SAR圖像變化檢測技術方法綜述[J];地殼構造與地殼應力文集;2016年01期

4 宋英旭;牛瑞卿;張景發(fā);李永生;羅毅;馮時;陳艷;;遙感影像變化檢測方法對比[J];地殼構造與地殼應力文集;2016年02期

5 李強;張景發(fā);;變化檢測技術在震害信息提取中的應用[J];地理空間信息;2014年02期

6 龍玄耀;李培軍;;基于圖像分割的城市變化檢測[J];地球信息科學;2008年01期

7 于躍龍,盧煥章;以統(tǒng)計變化檢測為基礎的實時分割視頻對象新方法[J];中國圖象圖形學報;2005年01期

8 孫揚;朱凌;修田雨;;基于國產(chǎn)衛(wèi)星影像的協(xié)同分割變化檢測[J];北京建筑大學學報;2018年04期

9 王鑫;;聚類分析觀點下的分散式最快變化檢測[J];南京理工大學學報;2014年02期

10 沈壁川;毛期儉;呂翊;;基于巴氏距離的視頻流場景變化檢測(英文)[J];重慶郵電大學學報(自然科學版);2009年01期

相關博士學位論文 前10條

1 劉博宇;時序NDVI數(shù)據(jù)集螺線型構建及多形狀參數(shù)變化檢測[D];吉林大學;2018年

2 鄭耀國;基于結構化表示學習的遙感圖像分類及變化檢測[D];西安電子科技大學;2016年

3 蘇臨之;基于像素信息和深度學習的遙感圖像變化檢測技術[D];西安電子科技大學;2016年

4 賈璐;基于核理論的遙感影像變化檢測算法研究[D];西安電子科技大學;2016年

5 李瑜;基于特征學習的SAR圖像變化檢測方法研究[D];西安電子科技大學;2016年

6 李振軒;基于差分測度的高分辨率遙感影像可靠性變化檢測方法研究[D];中國礦業(yè)大學;2018年

7 龐世燕;三維信息輔助的建筑物自動變化檢測若干關鍵技術研究[D];武漢大學;2015年

8 何鵬飛;基于不確定性分析的遙感影像變化檢測方法研究[D];中國礦業(yè)大學;2017年

9 杜曉敏;熱紅外遙感煤火探測方法及煤火變化檢測[D];中國礦業(yè)大學(北京);2015年

10 石娟;基于無人機影像的變化檢測關鍵技術研究[D];武漢大學;2015年

相關碩士學位論文 前10條

1 祝章智;基于子空間的高光譜影像覆被類型變化檢測[D];福州大學;2017年

2 徐超;基于相似性測度的高光譜影像變化檢測[D];福州大學;2017年

3 張大臣;基于自適應自步學習的SAR圖像變化檢測[D];西安電子科技大學;2018年

4 初照;基于地理本體的遙感影像地表覆蓋分類與變化檢測方法[D];遼寧工程技術大學;2016年

5 紀超南;多時相衛(wèi)星影像變化檢測中關鍵問題研究[D];山東大學;2018年

6 劉春成;基于點云數(shù)據(jù)的柱狀目標變化檢測[D];北京建筑大學;2018年

7 劉波;基于SVDD特征選擇的隨機森林高分辨率遙感影像變化檢測[D];蘭州交通大學;2018年

8 虢英杰;一種目標級高分辨率遙感影像的頻域變化檢測方法研究[D];昆明理工大學;2018年

9 李延金;影像相關性分析在遙感變化檢測中的應用研究[D];長安大學;2018年

10 袁玉;基于SAR圖像相干變化檢測的建筑物震害信息提取研究[D];防災科技學院;2018年

本文編號：2855083