本文選題：極化SAR + 深度SVM�。� 參考：《西安電子科技大學》2014年碩士論文

【摘要】：作為主動式雷達成像系統(tǒng)的合成孔徑雷達具有全天時、全天候的特點,可以提供大尺度二維高分辨率地球表面反射率圖像。目前,它已經(jīng)獲取了大量的SAR圖像,這些圖像被廣泛地應(yīng)用于戰(zhàn)略目標探測、作物生長監(jiān)測、森林監(jiān)控等領(lǐng)域。極化合成孔徑雷達是在合成孔徑雷達的基礎(chǔ)上發(fā)展起來的,它能夠獲取更為豐富有用的信息。與傳統(tǒng)的單極化SAR相比,我們通常用極化矩陣形式表示極化合成孔徑雷達測量的數(shù)據(jù),而散射矩陣通常又與其對應(yīng)的散射機理模型有關(guān),因此其信息的挖掘和提取更為復雜。分類是對極化SAR數(shù)據(jù)進行解譯和理解研究的一個重要方向,分類得到的結(jié)果圖既可以作為中間結(jié)果繼續(xù)用于進行邊緣提取、目標檢測和識別等操作,也可以作為最終結(jié)果直接輸出給用戶。因此,對極化SAR數(shù)據(jù)進行分類研究是很有必要的,而且具有一定的現(xiàn)實價值。時至今日,已經(jīng)提出了不少關(guān)于極化SAR影像地物分類的算法。本文在傳統(tǒng)算法的基礎(chǔ)上,主要針對極化SAR圖像分類器的設(shè)計進行了兩大方面的研究,所取得的主要研究成果如下:第一部分工作為:深度SVM分類算法的研究。將最近提出的深度SVM的算法應(yīng)用到極化SAR分類問題中,并對深度SVM的算法進行了一系列的改進。主要工作包括:(1)基于深度稀疏SVM的極化SAR影像地物分類。將深度SVM的模型和稀疏的最小二乘的LS-SVM算法相結(jié)合,提出了一種基于深度稀疏SVM的極化SAR影像地物分類方法,解決了原算法運行速度慢的問題。利用本章提出的算法進行仿真實驗,得到的實驗結(jié)果表明算法具有一定的可實施性,并且將算法與其他同種類型算法相比,體現(xiàn)了該算法的高效性和準確性。(2)基于協(xié)同深度SVM的極化SAR影像地物分類。將協(xié)同訓練引入到深度SVM分類器的訓練中,提出了一種基于協(xié)同深度SVM的極化SAR影像地物分類方法。通過協(xié)同訓練的思想訓練深度SVM分類器,使深度SVM在訓練的過程中能同時利用有標記和無標記樣本的信息,從而提高分類的準確率。(3)基于深度小波核SVM的極化SAR影像地物分類。將深度SVM分類器中的SVM的高斯核替換成小波核,提出了一種基于深度小波核SVM的分類器模型。針對提出的方法進行仿真實驗,實驗結(jié)果表明該方法能夠更好的擬合數(shù)據(jù),從而提高分類的準確率。第二部分工作為:神經(jīng)網(wǎng)絡(luò)算法的研究。通過對小波神經(jīng)網(wǎng)絡(luò)和深度學習的這兩種算法進一步研究,提出了一種基于深度小波神經(jīng)網(wǎng)絡(luò)的極化SAR影像地物分類方法。深度小波神經(jīng)網(wǎng)絡(luò)采用深度學習的訓練方式訓練深度小波神經(jīng)網(wǎng)絡(luò),避免了網(wǎng)絡(luò)層數(shù)較多時出現(xiàn)梯度擴散的問題,并且能夠提取出反映數(shù)據(jù)本質(zhì)特性,刻畫數(shù)據(jù)細節(jié)特征,突出不同地物類型之間差別的高維特征。實驗表明,該方法能達到較好的結(jié)果。
[Abstract]:Synthetic Aperture Radar (SAR), as an active radar imaging system, has the characteristics of all-day, all-weather, and can provide large scale two-dimensional high-resolution reflectivity images of the earth's surface. At present, it has acquired a large number of SAR images, which are widely used in strategic target detection, crop growth monitoring, forest monitoring and other fields. Polarimetric synthetic Aperture Radar is developed on the basis of synthetic Aperture Radar, which can obtain more useful information. Compared with the traditional single-polarization SAR, we usually use polarization matrix to represent the data measured by polarimetric synthetic aperture radar, and the scattering matrix is usually related to the corresponding scattering mechanism model, so it is more complicated to mine and extract the information. Classification is an important direction in the interpretation and understanding of polarized SAR data. The result map can be used as intermediate results for edge detection, target detection and recognition. It can also be output directly to the user as the final result. Therefore, it is necessary and valuable to classify polarized SAR data. Up to now, many algorithms for ground object classification in polarimetric SAR images have been proposed. Based on the traditional algorithm, this paper mainly studies the design of polarimetric SAR image classifier. The main research results are as follows: the first part is the research of depth SVM classification algorithm. The recently proposed algorithm of depth SVM is applied to the problem of polarized SAR classification, and a series of improvements are made to the algorithm of depth SVM. The main work includes 1: 1) ground object classification of polarized SAR images based on deep sparse SVM. By combining the model of depth SVM with the sparse least square LS-SVM algorithm, a method of ground object classification for polarized SAR images based on deep sparse SVM is proposed, which solves the problem of slow running speed of the original algorithm. The simulation results show that the algorithm is feasible, and the algorithm is compared with other algorithms of the same type. The efficiency and accuracy of the algorithm are demonstrated. (2) based on the cooperative depth SVM, the ground object classification of polarimetric SAR images is presented. This paper introduces cooperative training into the training of depth SVM classifier, and proposes a method for ground object classification of polarimetric SAR images based on cooperative depth SVM. The depth SVM classifier is trained with the idea of cooperative training. The depth SVM can use the information of labeled and unmarked samples simultaneously in the process of training, so as to improve the accuracy of classification. (3) polarimetric SAR image ground object classification based on depth wavelet kernel SVM. The Gao Si kernel of the SVM in the depth SVM classifier is replaced by the wavelet kernel, and a classifier model based on the deep wavelet kernel SVM is proposed. The experimental results show that the proposed method can fit the data better and improve the accuracy of classification. The second part is the research of neural network algorithm. Based on the further study of wavelet neural network and depth learning, a method of ground object classification for polarimetric SAR images based on depth wavelet neural network is proposed. Depth wavelet neural network is trained by deep learning, which avoids the problem of gradient diffusion when there are more layers, and can extract the essential characteristics of data and depict the details of data. Highlight the high dimensional characteristics of the difference between different types of features. Experiments show that the method can achieve better results.
【學位授予單位】：西安電子科技大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TN957.52;TP183

【相似文獻】

相關(guān)期刊論文 前10條

1 文成林,王雪,侯玉華;自回歸過程的小波神經(jīng)網(wǎng)絡(luò)逼近算法[J];河南大學學報(自然科學版);2000年01期

2 萬建,徐德民,賀昱曜;一種小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其學習算法研究[J];系統(tǒng)工程與電子技術(shù);2002年03期

3 任少龍,鐘秋海,嚴承華;小波神經(jīng)網(wǎng)絡(luò)在裝備研制費預測與控制中的應(yīng)用[J];海軍工程大學學報;2002年05期

4 李躍華,張勝,高敦堂,李興國;基于小波神經(jīng)網(wǎng)絡(luò)的毫米波雷達目標距離像識別(英文)[J];紅外與毫米波學報;2002年01期

5 董杰,馬壯,吳云,李嘉林;遺傳小波神經(jīng)網(wǎng)絡(luò)在飛機加油管路設(shè)計中的應(yīng)用[J];機械科學與技術(shù);2002年S1期

6 趙學智,鄒春華,陳統(tǒng)堅,葉邦彥,彭永紅;小波神經(jīng)網(wǎng)絡(luò)的參數(shù)初始化研究[J];華南理工大學學報(自然科學版);2003年02期

7 楊春玲,楊茂華,胡艷,戴景民;小波神經(jīng)網(wǎng)絡(luò)在多波長輻射測溫中的應(yīng)用[J];計量學報;2003年04期

8 李益國,沈炯,呂震中;一種新的小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化設(shè)計方法[J];控制理論與應(yīng)用;2003年03期

9 盛景泉,付夢印,劉永信;采用小波神經(jīng)網(wǎng)絡(luò)的捷聯(lián)慣導系統(tǒng)靜基座快速初始對準[J];內(nèi)蒙古大學學報(自然科學版);2003年04期

10 向小東;小波神經(jīng)網(wǎng)絡(luò)預測方法及其應(yīng)用[J];統(tǒng)計與決策;2003年07期

相關(guān)會議論文 前10條

1 張加云;張德江;李新勝;;遺傳小波神經(jīng)網(wǎng)絡(luò)在鋼鐵企業(yè)能耗預測中的應(yīng)用[A];全國冶金自動化信息網(wǎng)2009年會論文集[C];2009年

2 胡博;陶文華;崔博;白一彤;尹旭;;基于小波神經(jīng)網(wǎng)絡(luò)的異步電機故障診斷[A];2009中國控制與決策會議論文集（2）[C];2009年

3 何正友;錢清泉;;一種改進小波神經(jīng)網(wǎng)絡(luò)模型在電力故障信號識別中的應(yīng)用[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學術(shù)會議論文集[C];1999年

4 田建艷;代正梅;;加熱爐爐溫的小波神經(jīng)網(wǎng)絡(luò)預測控制策略[A];2009年中國智能自動化會議論文集（第六分冊）[中南大學學報（增刊）][C];2009年

5 李元松;李新平;代翼飛;陳清運;;基于小波神經(jīng)網(wǎng)絡(luò)的高陡邊坡位移預測[A];巖石力學與工程的創(chuàng)新和實踐：第十一次全國巖石力學與工程學術(shù)大會論文集[C];2010年

6 魯艷軍;陳漢新;陳緒兵;;基于小波神經(jīng)網(wǎng)絡(luò)的齒輪裂紋故障診斷[A];節(jié)能減排 綠色制造 智能制造——低碳經(jīng)濟下高技術(shù)制造產(chǎn)業(yè)與智能制造發(fā)展論壇論文集[C];2010年

7 董健;尹萌;張輝;;小波神經(jīng)網(wǎng)絡(luò)結(jié)合多項式的混合預測方法在通信規(guī)劃中的應(yīng)用[A];2011全國無線及移動通信學術(shù)大會論文集[C];2011年

8 謝建宏;張為公;;復合材料疲勞剩余壽命預測的動態(tài)小波神經(jīng)網(wǎng)絡(luò)方法[A];第二屆全國信息獲取與處理學術(shù)會議論文集[C];2004年

9 陳建秋;張新政;;基于小波神經(jīng)網(wǎng)絡(luò)的水質(zhì)預測應(yīng)用研究[A];2006中國控制與決策學術(shù)年會論文集[C];2006年

10 孫正貴;;小波神經(jīng)網(wǎng)絡(luò)的高效學習算法及應(yīng)用研究[A];中南六�。▍^(qū)）自動化學會第24屆學術(shù)年會會議論文集[C];2006年

相關(guān)博士學位論文 前10條

1 侯霞;小波神經(jīng)網(wǎng)絡(luò)若干關(guān)鍵問題研究[D];南京航空航天大學;2006年

2 章文俊;小波神經(jīng)網(wǎng)絡(luò)算法及其船舶運動控制應(yīng)用研究[D];大連海事大學;2014年

3 高協(xié)平;小波參數(shù)化與小波神經(jīng)網(wǎng)絡(luò)研究[D];湖南大學;2003年

4 宋清昆;自適應(yīng)結(jié)構(gòu)優(yōu)化神經(jīng)網(wǎng)絡(luò)控制研究[D];哈爾濱理工大學;2009年

5 李永紅;廣義小波神經(jīng)網(wǎng)絡(luò)實現(xiàn)雷達相關(guān)濾波的研究[D];大連海事大學;2000年

6 銀俊成;量子信道與量子小波神經(jīng)網(wǎng)絡(luò)相關(guān)問題研究[D];陜西師范大學;2013年

7 李文軍;多小波和小波神經(jīng)網(wǎng)絡(luò)構(gòu)造及其在電弧故障診斷中的應(yīng)用研究[D];吉林大學;2008年

8 劉守生;遺傳算法與小波神經(jīng)網(wǎng)絡(luò)中若干問題的研究[D];南京航空航天大學;2005年

9 黃同成;基于小波神經(jīng)網(wǎng)絡(luò)理論的VOCR與HOCR技術(shù)研究[D];上海大學;2008年

10 蔡振禹;基于粗集—小波神經(jīng)網(wǎng)絡(luò)的煤炭企業(yè)管理研究[D];天津大學;2007年

，

本文編號：1842690