本文關(guān)鍵詞：基于堆棧式稀疏自編碼器的高光譜影像分類

  更多相關(guān)文章： 深度神經(jīng)網(wǎng) 特征提取 高光譜影像分類 堆棧式稀疏自編碼器 支持向量機

【摘要】：為挖掘高光譜影像數(shù)據(jù)的內(nèi)在光譜特征,該文基于深度學習理論,引用堆棧式稀疏自編碼器構(gòu)建原始數(shù)據(jù)的深層特征表達。首先通過稀疏自編碼器,得到原始數(shù)據(jù)的稀疏特征表達。其次通過逐層學習稀疏自編碼器構(gòu)建深度神經(jīng)網(wǎng),輸出原始數(shù)據(jù)的深度特征。最后將其連接到支持向量機分類器,完成模型的精調(diào)。實驗結(jié)果分析表明:基于堆棧式稀疏自編碼器的最優(yōu)分類模型,總體精度可達87.82%,優(yōu)于實驗中的其他方法,證明了深度學習方法在高光譜影像處理中具有良好的分類性能。
【作者單位】： 成都理工大學地學空間信息技術(shù)國土資源部重點實驗室;
【關(guān)鍵詞】： 深度神經(jīng)網(wǎng) 特征提取 高光譜影像分類 堆棧式稀疏自編碼器 支持向量機
【基金】：國家自然科學基金(41201440,41071265,41102225) 教育部高等學校博士學科點專項科研基金(20135122120009) 四川省教育廳科研項目(15ZB0066) 國土資源部地學空間信息技術(shù)重點實驗室課題(KLGSIT2013-02)
【分類號】：TP751
【正文快照】： 高光譜影像分類是高光譜影像處理中的重要環(huán)節(jié),由于Hughes現(xiàn)象[1]的影響,在不進行降維處理的情況下傳統(tǒng)分類算法很難在高光譜影像分類中取得理想結(jié)果[2]。支持向量機(SVM)算法[3]能夠較好地解決Hughes現(xiàn)象,近年來在高光譜影像分類中得到了廣泛應(yīng)用[4]。但其直接通過原始像元來

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 甘甫平;王潤生;;高光譜遙感技術(shù)在地質(zhì)領(lǐng)域中的應(yīng)用[J];國土資源遙感;2007年04期

2 余旭初;楊國鵬;馮伍法;周欣;;基于簡約集支持向量機的高光譜影像分類[J];計算機科學;2010年11期

3 李新雙;張良培;李平湘;吳波;;基于小波分量特征值匹配的高光譜影像分類[J];武漢大學學報(信息科學版);2006年03期

4 楊可明;陳云浩;郭達志;蔣金豹;;基于高光譜影像的小麥條銹病光譜信息探測與提取(英文)[J];光子學報;2008年01期

5 蘇俊英;舒寧;;一種基于非線性增益小波濾波的高光譜影像去噪技術(shù)研究[J];遙感技術(shù)與應(yīng)用;2008年04期

6 楊可明;李慧;郭達志;;基于最佳小波包基的高光譜影像特征制圖[J];測繪學報;2008年01期

7 楊國鵬;余旭初;劉偉;陳偉;;基于支持向量機的高光譜影像分類研究[J];計算機工程與設(shè)計;2008年08期

8 董超;趙慧潔;;關(guān)聯(lián)向量機在高光譜影像分類中的應(yīng)用[J];遙感學報;2010年06期

9 馮海亮;潘競文;黃鴻;;半監(jiān)督鄰域保持嵌入在高光譜影像分類中的應(yīng)用[J];計算機科學;2014年S1期

10 杜輝強;舒寧;;高光譜影像能量邊緣提取[J];武漢大學學報(信息科學版);2006年02期

中國重要會議論文全文數(shù)據(jù)庫 前4條

1 于美嬌;董廣軍;張永生;紀松;楊靖宇;;一種基于極大后驗估計的高光譜影像分辨率增強方法[A];圖像圖形技術(shù)與應(yīng)用進展——第三屆圖像圖形技術(shù)與應(yīng)用學術(shù)會議論文集[C];2008年

2 張杰林;;砂巖型鈾礦床高光譜數(shù)據(jù)挖掘技術(shù)研究[A];第十五屆全國遙感技術(shù)學術(shù)交流會論文摘要集[C];2005年

3 董彥芳;龐勇;;高光譜影像與LiDAR數(shù)據(jù)融合提取城市目標提取[A];中國地震學會空間對地觀測專業(yè)委員會2013年學術(shù)研討會論文摘要集[C];2013年

4 李飛;周成虎;陳榮國;;基于光譜曲線形態(tài)的高光譜影像檢索方法研究[A];第二屆中國科學院博士后學術(shù)年會暨高新技術(shù)前沿與發(fā)展學術(shù)會議程序冊[C];2010年

，

本文編號：826360