無(wú)人機(jī)自然地貌圖像分類(lèi)是無(wú)人機(jī)在未知區(qū)域自主著陸的基礎(chǔ),是無(wú)人機(jī)領(lǐng)域的研究熱點(diǎn)問(wèn)題。然而,自然場(chǎng)景圖像具有類(lèi)間相似度高、場(chǎng)景復(fù)雜、紋理信息豐富等特點(diǎn),且易受光照、天氣條件等因素影響,傳統(tǒng)的圖像分類(lèi)算法分類(lèi)效果較差,因此,如何提高自然地貌場(chǎng)景分類(lèi)算法的性能具有極其重要的研究意義。近年來(lái),深度學(xué)習(xí)成為機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn),被廣泛的應(yīng)用于圖像分類(lèi)領(lǐng)域,深度網(wǎng)絡(luò)結(jié)構(gòu)比較適合提取圖像的特征,通過(guò)逐層特征學(xué)習(xí)得到高層次語(yǔ)義特征,特別適合處理無(wú)人機(jī)自然地貌場(chǎng)景的分類(lèi)問(wèn)題。因此,本文基于深度學(xué)習(xí)方法,針對(duì)自然地貌場(chǎng)景類(lèi)間相似度高、場(chǎng)景復(fù)雜、易受干擾等特點(diǎn),對(duì)無(wú)人機(jī)自然地貌場(chǎng)景分類(lèi)問(wèn)題進(jìn)行研究,為無(wú)人機(jī)自主著陸奠定基礎(chǔ)。本文主要研究?jī)?nèi)容如下:（1）針對(duì)地貌場(chǎng)景圖像中類(lèi)間相似度高導(dǎo)致錯(cuò)分率較高的問(wèn)題,提出一種基于稀疏自動(dòng)編碼器（Sparse AutoEncoder,SAE）和支持向量機(jī)（Support Vector Machine,SVM）的無(wú)人機(jī)相似地貌圖像分類(lèi)算法。首先構(gòu)建深度稀疏自動(dòng)編碼器（DSAE）對(duì)圖像進(jìn)行特征學(xué)習(xí),然后提出特征重組法得到每層調(diào)整因子以及重組的特征集,最后針對(duì)無(wú)人機(jī)地貌圖像的多... 

【文章來(lái)源】：北京工業(yè)大學(xué)北京市 211工程院校

【文章頁(yè)數(shù)】：101 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題的研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 無(wú)人機(jī)著陸研究現(xiàn)狀
        1.2.2 無(wú)人機(jī)地貌圖像分類(lèi)的研究現(xiàn)狀
        1.2.3 圖像分類(lèi)方法的研究現(xiàn)狀
        1.2.4 深度學(xué)習(xí)在圖像分類(lèi)中的研究現(xiàn)狀
    1.3 論文結(jié)構(gòu)安排
第2章 相關(guān)理論基礎(chǔ)
    2.1 無(wú)人機(jī)地貌圖像分類(lèi)概述
    2.2 深度學(xué)習(xí)
        2.2.1 深度學(xué)習(xí)簡(jiǎn)介
        2.2.2 深度學(xué)習(xí)訓(xùn)練過(guò)程
    2.3 深度學(xué)習(xí)常用模型
        2.3.1 自動(dòng)編碼器
        2.3.2 稀疏自動(dòng)編碼器
        2.3.3 卷積神經(jīng)網(wǎng)絡(luò)
    2.4 支持向量機(jī)
    2.5 本章小結(jié)
第3章 基于SAE和GASVM 的無(wú)人機(jī)相似地貌場(chǎng)景分類(lèi)算法
    3.1 引言
    3.2 基于SAE和GASVM的無(wú)人機(jī)相似地貌場(chǎng)景分類(lèi)算法
        3.2.1 深度稀疏自動(dòng)編碼器網(wǎng)絡(luò)
        3.2.2 特征學(xué)習(xí)
        3.2.3 GA-SVM算法
        3.2.4 算法流程
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.3.2 GA-SVM算法性能分析
        3.3.3 特征重組法對(duì)分類(lèi)率的影響
        3.3.4 分類(lèi)性能比較
    3.4 本章小結(jié)
第4章 基于DCT和CNN的自適應(yīng)無(wú)人機(jī)地貌場(chǎng)景分類(lèi)算法
    4.1 引言
    4.2 基于DCT和CNN的自適應(yīng)無(wú)人機(jī)地貌場(chǎng)景分類(lèi)算法
        4.2.1 自適應(yīng)DCT系數(shù)的選擇
        4.2.2 DCT-CNN算法模型
        4.2.3 算法流程
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.3.2 DCT系數(shù)個(gè)數(shù)對(duì)圖像分類(lèi)性能的影響
        4.3.3 分類(lèi)性能比較
    4.4 本章小結(jié)
第5章 基于SC預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)著陸地貌分類(lèi)算法
    5.1 引言
    5.2 基于SC預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)著陸地貌分類(lèi)算法
        5.2.1 基于非下采樣Contourlet變換的多尺度分解
        5.2.2 SC非監(jiān)督預(yù)訓(xùn)練
        5.2.3 SC預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)
        5.2.4 算法流程
    5.3 基于自然地貌圖像的無(wú)人機(jī)著陸地貌分類(lèi)
    5.4 實(shí)驗(yàn)結(jié)果與分析
        5.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        5.4.2 稀疏編碼非監(jiān)督特征學(xué)習(xí)分析
        5.4.3 SC預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂性能分析
        5.4.4 分類(lèi)性能比較
        5.4.5 自然地貌圖像的無(wú)人機(jī)著陸地貌分類(lèi)
    5.5 本章小結(jié)
結(jié)論與展望
參考文獻(xiàn)
攻讀碩士期間所發(fā)表的學(xué)術(shù)論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]低小慢無(wú)人機(jī)降落野外場(chǎng)景識(shí)別方法[J]. 葉利華,王磊,趙利平.  計(jì)算機(jī)應(yīng)用. 2017(07)
[2]基于YOLO v2的無(wú)人機(jī)航拍圖像定位研究[J]. 魏湧明,全吉成,侯宇青陽(yáng).  激光與光電子學(xué)進(jìn)展. 2017(11)
[3]聯(lián)合顯著性和多層卷積神經(jīng)網(wǎng)絡(luò)的高分影像場(chǎng)景分類(lèi)[J]. 何小飛,鄒崢嶸,陶超,張佳興.  測(cè)繪學(xué)報(bào). 2016(09)
[4]利用多尺度特征與深度網(wǎng)絡(luò)對(duì)遙感影像進(jìn)行場(chǎng)景分類(lèi)[J]. 許夙暉,慕曉冬,趙鵬,馬驥.  測(cè)繪學(xué)報(bào). 2016(07)
[5]基于灰度平均梯度和粒子群優(yōu)化的散焦圖像模糊參數(shù)估計(jì)[J]. 吳章平,劉本永.  計(jì)算機(jī)應(yīng)用. 2016(04)
[6]基于多尺度分塊卷積神經(jīng)網(wǎng)絡(luò)的圖像目標(biāo)識(shí)別算法[J]. 張文達(dá),許悅雷,倪嘉成,馬時(shí)平,史鶴歡.  計(jì)算機(jī)應(yīng)用. 2016(04)
[7]基于自動(dòng)編碼器組合的深度學(xué)習(xí)優(yōu)化方法[J]. 鄧俊鋒,張曉龍.  計(jì)算機(jī)應(yīng)用. 2016(03)
[8]基于離散余弦變換的圖像壓縮編碼方法及改進(jìn)[J]. 嚴(yán)珍珍,劉建軍.  計(jì)算機(jī)技術(shù)與發(fā)展. 2016(01)
[9]基于多級(jí)金字塔卷積神經(jīng)網(wǎng)絡(luò)的快速特征表示方法[J]. 王冠皓,徐軍.  計(jì)算機(jī)應(yīng)用研究. 2015(08)
[10]PCA預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)識(shí)別算法[J]. 史鶴歡,許悅雷,馬時(shí)平,李岳云,李帥.  西安電子科技大學(xué)學(xué)報(bào). 2016(03)

碩士論文
[1]基于多特征融合的無(wú)人機(jī)航拍圖像識(shí)別研究[D]. 王建榮.成都理工大學(xué) 2015
[2]基于視覺(jué)的無(wú)人機(jī)著陸跑道識(shí)別與實(shí)現(xiàn)[D]. 董淑德.電子科技大學(xué) 2013
[3]無(wú)人機(jī)視覺(jué)著陸關(guān)鍵技術(shù)研究[D]. 李宇.南京航空航天大學(xué) 2012
[4]無(wú)人機(jī)著陸點(diǎn)的地貌分類(lèi)特征識(shí)別技術(shù)研究[D]. 李南南.沈陽(yáng)航空工業(yè)學(xué)院 2010
[5]基于視覺(jué)的無(wú)人機(jī)著陸姿態(tài)檢測(cè)和跑道識(shí)別[D]. 劉新華.南京航空航天大學(xué) 2004



本文編號(hào)：2999107