本文關(guān)鍵詞：基于稀疏表示和半監(jiān)督主動學(xué)習(xí)的小樣本高光譜數(shù)據(jù)分類問題研究

  更多相關(guān)文章： 高光譜數(shù)據(jù) 小樣本 稀疏表示 半監(jiān)督學(xué)習(xí) 主動學(xué)習(xí) 分類準(zhǔn)確度

【摘要】：高光譜數(shù)據(jù)含有的光譜波段數(shù)量少則幾十多則數(shù)百,提供了大量的有價值信息,有利于對地物進行精細(xì)分類。而高光譜數(shù)據(jù)分類卻面臨著數(shù)據(jù)維數(shù)高,標(biāo)記樣本有限,人工標(biāo)記成本昂貴等具有挑戰(zhàn)性的問題。為了解決高光譜數(shù)據(jù)分類問題,不斷有學(xué)者提出新的方法。無監(jiān)督分類不需要人工進行標(biāo)記,但是分類準(zhǔn)確度相對較低。傳統(tǒng)的監(jiān)督學(xué)習(xí)取得了較好的分類效果,但需要大量的標(biāo)記樣本。此外,為了避免休斯現(xiàn)象,許多算法都需要對數(shù)據(jù)進行降維處理,而降維會導(dǎo)致一些有價值信息的丟失。稀疏表示算法既不需要對高維數(shù)據(jù)進行降維處理,也不需要訓(xùn)練和學(xué)習(xí)分類器,便可實現(xiàn)對高光譜數(shù)據(jù)的分類。本文以稀疏表示算法為基礎(chǔ),圍繞高光譜數(shù)據(jù)的分類問題主要做了以下幾個方面的研究:1.基于稀疏表示算法探討小樣本高光譜數(shù)據(jù)分類問題中分類準(zhǔn)確度與標(biāo)記樣本數(shù)量的關(guān)系問題。雖然研究人員在提高小樣本高光譜數(shù)據(jù)分類準(zhǔn)確度方面做出了不懈努力,但尚無人在標(biāo)記樣本數(shù)量與分類準(zhǔn)確度的關(guān)系方面做進一步研究。本文從理論和實驗兩個方面推導(dǎo)和驗證了兩者之間成正相關(guān)關(guān)系,并根據(jù)實驗繪制出函數(shù)曲線。該研究成果為小樣本高光譜數(shù)據(jù)的分類研究提供了很好的理論和實驗依據(jù)。2.針對半監(jiān)督高光譜數(shù)據(jù)分類準(zhǔn)確度不高的偽標(biāo)記樣本識別問題,本文在對前期工作進行總結(jié)的基礎(chǔ)上,分析失敗原因,提出了基于稀疏表示和半監(jiān)督主動學(xué)習(xí)的分類框架。采用稀疏表示算法構(gòu)建基分類器,結(jié)合半監(jiān)督主動學(xué)習(xí)算法,一方面利用主動學(xué)習(xí)對少量“關(guān)鍵”樣本進行標(biāo)記,以降低對隨機選擇樣本進行標(biāo)記的工作量和成本,另一方面利用半監(jiān)督學(xué)習(xí)得到的偽標(biāo)記樣本集來增加訓(xùn)練樣本數(shù)量。為了降低偽標(biāo)記樣本的錯分率,算法融入了偽標(biāo)記確認(rèn)程序來剔除可能標(biāo)記錯誤的偽標(biāo)記樣本。通過實驗與其它算法進行對比證明了所提算法的有效性,實現(xiàn)了小樣本高光譜數(shù)據(jù)的高精度分類。本文基于稀疏表示算法探討小樣本高光譜數(shù)據(jù)分類問題,通過理論分析和實驗論證創(chuàng)新性地提出分類準(zhǔn)確度與標(biāo)記樣本數(shù)量之間的函數(shù)關(guān)系,與此同時,提出將稀疏表示和半監(jiān)督主動學(xué)習(xí)相結(jié)合的算法框架,提高了小樣本高光譜數(shù)據(jù)的分類準(zhǔn)確度。
【關(guān)鍵詞】：高光譜數(shù)據(jù) 小樣本 稀疏表示 半監(jiān)督學(xué)習(xí) 主動學(xué)習(xí) 分類準(zhǔn)確度
【學(xué)位授予單位】：北方民族大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP751
【目錄】：

• 摘要3-5
• Abstract5-9
• 第一章 引言9-19
• 1.1 研究背景與意義9-10
• 1.2 高光譜遙感概述10-15
• 1.2.1 高光譜遙感圖像10-11
• 1.2.2 高光譜遙感數(shù)據(jù)處理技術(shù)11-13
• 1.2.3 高光譜圖像分類的國內(nèi)外研究概況13-15
• 1.3 高光譜遙感的應(yīng)用15-16
• 1.4 本文主要研究內(nèi)容16-18
• 1.5 本章小結(jié)18-19
• 第二章 主要算法的理論基礎(chǔ)19-30
• 2.1 稀疏表示19-25
• 2.1.1 稀疏表示優(yōu)化算法19-24
• 2.1.2 稀疏分類24-25
• 2.2 半監(jiān)督學(xué)習(xí)25-28
• 2.2.1 基于生成式模型算法26
• 2.2.2 半監(jiān)督支持向量機算法26
• 2.2.3 基于圖的半監(jiān)督算法26-27
• 2.2.4 基于分歧的半監(jiān)督算法27-28
• 2.3 主動學(xué)習(xí)28-29
• 2.3.1 基于委員會的采樣策略28-29
• 2.3.2 基于邊緣的采樣策略29
• 2.3.3 基于泛化誤差減小的采樣策略29
• 2.4 本章小結(jié)29-30
• 第三章 高光譜數(shù)據(jù)分類準(zhǔn)確度與標(biāo)記樣本數(shù)量關(guān)系的研究30-39
• 3.1 引言30-31
• 3.2 理論分析31-33
• 3.2.1 相干系數(shù)31
• 3.2.2 MP的收斂和重構(gòu)31-32
• 3.2.3 推論32-33
• 3.3 實驗分析33-37
• 3.3.1 數(shù)據(jù)集33-34
• 3.3.2 數(shù)據(jù)預(yù)處理和實驗步驟34-35
• 3.3.3 實驗結(jié)果和分析35-37
• 3.4 本章小結(jié)37-39
• 第四章 小樣本高光譜數(shù)據(jù)分類問題的研究39-51
• 4.1 引言39
• 4.2 前期研究工作39-44
• 4.2.1 基于稀疏表示和集成學(xué)習(xí)算法39-40
• 4.2.2 基于稀疏表示和半監(jiān)督學(xué)習(xí)算法40-43
• 4.2.3 實驗結(jié)果與分析43-44
• 4.3 基于稀疏表示和半監(jiān)督主動學(xué)習(xí)算法44-46
• 4.4 實驗結(jié)果及分析46-50
• 4.5 本章總結(jié)50-51
• 第五章 總結(jié)與展望51-53
• 5.1 工作總結(jié)51
• 5.2 研究展望51-53
• 參考文獻53-59
• 致謝59-60
• 碩士期間主要的研究成果60

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 陳思寶;趙令;羅斌;;局部保持的稀疏表示字典學(xué)習(xí)[J];華南理工大學(xué)學(xué)報(自然科學(xué)版);2014年01期

2 鄭軼;蔡體健;;稀疏表示的人臉識別及其優(yōu)化算法[J];華東交通大學(xué)學(xué)報;2012年01期

3 段菲;章毓晉;;一種面向稀疏表示的最大間隔字典學(xué)習(xí)算法[J];清華大學(xué)學(xué)報(自然科學(xué)版);2012年04期

4 張佳宇;彭力;;基于聯(lián)合動態(tài)稀疏表示方法的多圖像人臉識別算法[J];江南大學(xué)學(xué)報(自然科學(xué)版);2014年03期

5 查長軍;孫南;張成;韋穗;;基于稀疏表示的特定目標(biāo)識別[J];吉林大學(xué)學(xué)報(工學(xué)版);2013年01期

6 朱啟兵;楊寶;黃敏;;基于核映射稀疏表示分類的軸承故障診斷[J];振動與沖擊;2013年11期

7 王國權(quán);張揚;李彥鋒;王麗芬;馬曉梅;;一種基于稀疏表示的圖像去噪算法[J];工業(yè)儀表與自動化裝置;2013年05期

8 耿耀君;張軍英;;一種基于投影稀疏表示的基因選擇方法[J];哈爾濱工程大學(xué)學(xué)報;2011年08期

9 翟懿奎;甘俊英;徐穎;曾軍英;;快速稀疏表示指背關(guān)節(jié)紋識別及其并行實現(xiàn)[J];吉林大學(xué)學(xué)報(工學(xué)版);2012年S1期

10 詹永照;張珊珊;成科揚;;基于非線性可鑒別的稀疏表示視頻語義分析方法[J];江蘇大學(xué)學(xué)報(自然科學(xué)版);2013年06期

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 何愛香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識別研究[A];虛擬運營與云計算——第十八屆全國青年通信學(xué)術(shù)年會論文集（上冊）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識別[A];2013年中國智能自動化學(xué)術(shù)會議論文集（第五分冊）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號處理及其研究進展[A];中國聲學(xué)學(xué)會水聲學(xué)分會2013年全國水聲學(xué)學(xué)術(shù)會議論文集[C];2013年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 李進明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學(xué);2015年

2 王亞寧;基于信號稀疏表示的電機故障診斷研究[D];河北工業(yè)大學(xué);2014年

3 姚明海;視頻異常事件檢測與認(rèn)證方法研究[D];東北師范大學(xué);2015年

4 黃國華;蛋白質(zhì)翻譯后修飾位點與藥物適應(yīng)癥預(yù)測方法研究[D];上海大學(xué);2015年

5 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學(xué);2015年

6 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學(xué);2015年

7 解虎;高維小樣本陣列自適應(yīng)信號處理方法研究[D];西安電子科技大學(xué);2015年

8 秦振濤;基于稀疏表示及字典學(xué)習(xí)遙感圖像處理關(guān)鍵技術(shù)研究[D];成都理工大學(xué);2015年

9 薛明;基于稀疏表示的在線目標(biāo)跟蹤研究[D];上海交通大學(xué);2014年

10 孫樂;空譜聯(lián)合先驗的高光譜圖像解混與分類方法[D];南京理工大學(xué);2014年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 王道文;基于稀疏表示的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2015年

2 李哲;基于稀疏表示和LS-SVM的心電信號分類[D];河北大學(xué);2015年

3 孫雪青;Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D];河北大學(xué);2015年

4 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學(xué);2015年

5 趙孝磊;基于圖像分塊稀疏表示的人臉識別算法研究[D];南京信息工程大學(xué);2015年

6 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺追蹤算法研究[D];華南理工大學(xué);2015年

7 張鈴華;非約束環(huán)境下的稀疏表示人臉識別算法研究[D];南京信息工程大學(xué);2015年

8 賀妍斐;基于稀疏表示與自適應(yīng)倒易晶胞的遙感圖像復(fù)原方法研究[D];南京信息工程大學(xué);2015年

9 楊爍;電能質(zhì)量擾動信號的稀疏表示/壓縮采樣研究[D];西南交通大學(xué);2015年

10 應(yīng)艷麗;基于低秩稀疏表示的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2015年

，

本文編號：569741