發(fā)布時(shí)間：2023-04-30 00:39

　　針對(duì)高光譜圖像分類中光譜特征的高度非線性問題,提出一種基于多層感知器卷積層和批標(biāo)準(zhǔn)化層的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型,提高模型在光譜域處理的非線性特征提取能力.該算法通過構(gòu)建七層網(wǎng)絡(luò)結(jié)構(gòu),實(shí)現(xiàn)多層局部感知結(jié)構(gòu),逐個(gè)像素對(duì)光譜信息開展分析,區(qū)分不同目標(biāo)物的光譜信息,將全光譜段集合作為輸入,舍去空間信息,利用動(dòng)量梯度下降訓(xùn)練算法對(duì)多層局部感知卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練,實(shí)現(xiàn)對(duì)不同目標(biāo)物體光譜特征的提取與分類.實(shí)驗(yàn)中,采用兩組高光譜遙感影像進(jìn)行對(duì)比分析,以Pavia University數(shù)據(jù)集為例,在3 600個(gè)訓(xùn)練樣本情況下,測(cè)試集為1 800個(gè)樣本,本文方法正確率為90.23%,LeNet-5正確率為87.94%,Linear-SVM正確率為90.00%;在21 000個(gè)訓(xùn)練樣本情況下,測(cè)試集為全部樣本,本文方法正確率為97.23%,LeNet-5正確率為96.64%,Linear-SVM正確率為92.40%.實(shí)驗(yàn)結(jié)果表明,在訓(xùn)練集較小的情況下,本文方法優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò),能有效提取數(shù)據(jù)特征,并且在精度上和計(jì)算成本上略優(yōu)于在小樣本分類中具有高效和魯棒性良好的SVM算法.在大規(guī)模訓(xùn)練集時(shí),本文方法表現(xiàn)出良好的...

【文章頁數(shù)】：10 頁

【文章目錄】：
1 引 言
2 多層局部感知卷積神經(jīng)網(wǎng)絡(luò)
    2.1 增強(qiáng)非線性特征學(xué)習(xí)的改進(jìn)方法
    2.2 多層局部感知卷積神經(jīng)網(wǎng)絡(luò)分類器
        2.2.1 多層局部感知CNN網(wǎng)絡(luò)模型
        2.2.2 構(gòu)建增強(qiáng)非線性學(xué)習(xí)的CNN分類器
    2.3 基于像素分類策略
    2.4 基于改進(jìn)CNN的分類及訓(xùn)練過程
        2.4.1 正向傳播
        2.4.2 動(dòng)量梯度下降方式反向傳播誤差更新權(quán)重
3 實(shí) 驗(yàn)
    3.1 數(shù)據(jù)集
        3.1.1 Pavia University數(shù)據(jù)
        3.1.2 Salinas數(shù)據(jù)
    3.2 實(shí)驗(yàn)結(jié)果與分析
        (1) 實(shí)驗(yàn)中所用到的訓(xùn)練集的選擇方式如下.
        (2) 實(shí)驗(yàn)中所用到的測(cè)試集的選擇方式如下.
4 結(jié) 論



本文編號(hào)：3806064