發(fā)布時間：2017-06-22 13:07

  本文關鍵詞：基于主動深度學習的遙感圖像分類，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著遙感圖像在社會生活和經(jīng)濟建設中的地位越來越重要,遙感圖像分辨率也在逐步提高,如何從遙感圖像獲得更多有用的數(shù)據(jù)和信息變得極為迫切。在社會生活中,從遙感圖像中獲取大量的標記樣本是不現(xiàn)實的,但是隨著技術的不斷發(fā)展,對未標記樣本的采集工作顯得輕而易舉,專家不必花費大量的人力物力對未標記樣本進行標記。因此,提高遙感圖像的分類性能更多考慮如何充分利用有限的標記樣本和大量的未標記樣本,主動學習可以有效解決這個問題。主動學習算法通過依次迭代更新,從未標記樣本中尋找含有最大信息量的樣本,在有限的時間和資源的前提下,構造有效訓練集,從而提高分類算法的效率。目前,在機器學習領域,主動學習已成為一個熱門研究問題。深度學習致力于建立模擬人腦分析學習機制的多層次神經(jīng)網(wǎng)絡的建模和算法學習的研究問題,它的概念源于人工神經(jīng)網(wǎng)絡的研究,深度學習通過多層神經(jīng)網(wǎng)絡分析和解釋數(shù)據(jù),解決深層結構相關的優(yōu)化難題。在深度學習中,一種常用的模型是稀疏自編碼模型(SAE)。它在尋找數(shù)據(jù)高維特征同時通過稀疏正則項使得尋找到的特征具有稀疏性,不僅能保證取出的特征能夠消除冗余,而且具有很好的表示能力。本文利用稀疏自編碼結合主動學習模型中的nEQB來對遙感圖像進行分類。該方法先利用稀疏自編碼對訓練樣本進行訓練得到初始分類器,接下來用主動學習把未標注樣本集中最富有信息量的樣本挑選出來交給專家對樣本所屬的屬性或者類別加以標注,把標記好的樣本重新加入到訓練樣本中,同時將標記好的樣本從未標記樣本中剔除,如此迭代更新分類器。引入主動學習加入到稀疏自編碼框架中是為了通過主動學習來增加訓練樣本的數(shù)量,提高分類器性能,從而提高稀疏自編碼的分類精度,為了驗證兩者結合的效果與稀疏自編碼加隨機和SVM加主動學習方法進行了對比實驗。此外,在這兩組實驗中還測試了參數(shù)的敏感性。實驗結果表明:在遙感圖像的分類中,在訓練樣本一致的前提下,SVM通常是略優(yōu)于SAE;不過不論對SAE還是SVM,加入主動學習算法以后兩者的分類精度都有提高。
【關鍵詞】：深度學習 主動學習 支持向量機 稀疏自編碼
【學位授予單位】：燕山大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP751
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-17
• 1.1 課題研究目的及意義10-11
• 1.2 常用的遙感圖像分類方法11-12
• 1.3 主動學習簡介12-13
• 1.4 深度學習簡介13-14
• 1.4.1 國內(nèi)外現(xiàn)狀14
• 1.5 本文主要研究工作和創(chuàng)新點14-15
• 1.6 論文組織結構15-17
• 第2章 分類算法相關理論基礎17-25
• 2.1 從淺層學習到深層學習17-18
• 2.2 淺層學習——支持向量機18-21
• 2.2.1 線性分類方法19-20
• 2.2.2 非線性分類方法20-21
• 2.2.3 核函數(shù)介紹21
• 2.3 深層學習——稀疏自編碼模型21-24
• 2.4 本章小結24-25
• 第3章 基于主動學習的稀疏自編碼算法25-40
• 3.1 主動學習模型25-30
• 3.1.1 主動學習基本框架26-27
• 3.1.2 主動學習的樣本采樣策略27-29
• 3.1.3 nEQB采樣策略29-30
• 3.2 基于主動學習的SVM算法流程設計30-32
• 3.3 稀疏自編碼模型32-37
• 3.3.1 自編碼結構32-33
• 3.3.2 稀疏自編碼結構33
• 3.3.3 堆棧稀疏自編碼網(wǎng)絡結構33-37
• 3.4 基于主動學習的稀疏自編碼算法37-39
• 3.5 本章小結39-40
• 第4章 實驗結果與仿真分析40-59
• 4.1 實驗數(shù)據(jù)40-43
• 4.2 仿真實驗43-47
• 4.2.1 Pavia U數(shù)據(jù)集上的實驗結果43-45
• 4.2.2 Pavia數(shù)據(jù)集上的實驗結果45-46
• 4.2.3 Salinas數(shù)據(jù)集上的實驗結果46-47
• 4.3 實驗結果圖47-54
• 4.4 分類結果實物圖54-58
• 4.5 本章小結58-59
• 結論59-60
• 參考文獻60-65
• 攻讀碩士學位期間承擔的科研任務與主要成果65-66
• 致謝66

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉慶生,劉高煥,藺啟忠,王志剛;基于邏輯斯蒂模型的遙感圖像分類[J];國土資源遙感;2001年01期

2 譚衢霖,邵蕓;雷達遙感圖像分類新技術發(fā)展研究[J];國土資源遙感;2001年03期

3 杜鳳蘭,田慶久,夏學齊;遙感圖像分類方法評析與展望[J];遙感技術與應用;2004年06期

4 李石華,王金亮,畢艷,陳姚,朱妙園,楊帥,朱佳;遙感圖像分類方法研究綜述[J];國土資源遙感;2005年02期

5 付小勇;楊建祥;譚靖;;基于統(tǒng)計的遙感圖像分類方法[J];林業(yè)調(diào)查規(guī)劃;2005年06期

6 王一達;沈熙玲;謝炯;;遙感圖像分類方法綜述[J];遙感信息;2006年05期

7 李華;曹衛(wèi)彬;劉姣娣;;土地監(jiān)測中提高遙感圖像分類精度的方法研究[J];安徽農(nóng)學通報;2008年22期

8 岳昔娟;張勇;黃國滿;;改進的直方圖均衡化在遙感圖像分類中的應用[J];四川測繪;2008年04期

9 曾聯(lián)明;吳湘濱;劉鵬;;感興趣區(qū)域遙感圖像分類與支持向量機應用研究[J];計算機工程與應用;2009年06期

10 金良;于鳳鳴;;計算機遙感圖像分類法在天然草原土地利用現(xiàn)狀研究中的應用[J];科技資訊;2010年36期

中國重要會議論文全文數(shù)據(jù)庫 前5條

1 張守娟;周詮;;空間數(shù)據(jù)挖掘決策樹算法在遙感圖像分類中的應用研究[A];中國遙感應用協(xié)會2010年會暨區(qū)域遙感發(fā)展與產(chǎn)業(yè)高層論壇論文集[C];2010年

2 鄧文勝;邵曉莉;劉海;萬誥方;許亮;;基于證據(jù)理論的遙感圖像分類方法探討[A];中國地理學會2006年學術年會論文摘要集[C];2006年

3 周軍其;張紅;孫家b，

本文編號：471882