本文關(guān)鍵詞：基于深度學(xué)習(xí)的極化SAR分類研究

  更多相關(guān)文章： 極化SAR分類 深度學(xué)習(xí) 高斯限制玻爾茲曼機 深度信念網(wǎng) Wishart限制玻爾茲曼機 SLIC超像素

【摘要】：極化合成孔徑雷達(dá)(Polarimetric Synthetic Aperture Radar,簡稱極化SAR)是目前遙感領(lǐng)域較為先進(jìn)的傳感系統(tǒng)之一。因為采用了多通道獲取數(shù)據(jù)并成像,所以極化SAR數(shù)據(jù)包含了更豐富的極化信息,包含了更多的地物信息和特征,基于極化SAR數(shù)據(jù)地物分類問題的研究也一直是雷達(dá)圖像理解與處理領(lǐng)域的研究重點。近年來,深度學(xué)習(xí)在機器學(xué)習(xí)領(lǐng)域引起廣泛重視,并在工業(yè)界和學(xué)術(shù)界取得了令人振奮的成果。本文的主要工作是研究基于深度學(xué)習(xí)的極化SAR圖像分類方法,以深度信念網(wǎng)絡(luò)模型為基礎(chǔ),將其應(yīng)用于極化SAR地物分類,結(jié)合極化SAR數(shù)據(jù)的統(tǒng)計分布特性提出了改進(jìn)的極化SAR地物分類方法。主要工作如下:1.研究了深度學(xué)習(xí)方法中的深度信念網(wǎng)絡(luò)(DBN),深入討論了DBN的基本構(gòu)成和原理。著重對其基本構(gòu)成單元受限制玻爾茲曼機(RBM)進(jìn)行分析,并將其擴展應(yīng)用到了極化SAR數(shù)據(jù)的分類上。引入高斯限制玻爾茲曼機(GRBM),實現(xiàn)了基于GRBM的極化SAR地物分類算法,并通過實驗分析了算法的性能,驗證了在算法模型在極化SAR數(shù)據(jù)地物分類問題的有效性;2.在對RBM的原理深入分析的基礎(chǔ)上,結(jié)合極化SAR的統(tǒng)計分布特性,將更能表征極化SAR數(shù)據(jù)特性的Wishart分布引入RBM,對RBM進(jìn)行改進(jìn),提出了Wisahrt RBM(WRBM),通過實驗驗證了WRBM能夠有效學(xué)習(xí)極化SAR數(shù)據(jù)的特性,并且在地物分類正確率和分類效果達(dá)到優(yōu)于GRBM和SVM的分類結(jié)果;3.針對DBN模型在訓(xùn)練過程中存在的過擬合現(xiàn)象進(jìn)行分析,并提出了基于Robust Training訓(xùn)練DBN模型的解決方法。在模型預(yù)訓(xùn)練時,引入鄰域信息,通過對鄰域信息重構(gòu)來實現(xiàn)RBM的訓(xùn)練,提升模型的推廣能力。在模型的整體微調(diào)階段,引入鄰域信息,更好地防止隨機梯度下降法將模型調(diào)整至局部最優(yōu)解,增強了模型的分類穩(wěn)定性,最終實驗結(jié)果驗證了Robust Training的有效性。
【關(guān)鍵詞】：極化SAR分類 深度學(xué)習(xí) 高斯限制玻爾茲曼機 深度信念網(wǎng) Wishart限制玻爾茲曼機 SLIC超像素
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN957.52
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 符號對照表10-11
• 縮略語對照表11-14
• 第一章 緒論14-18
• 1.1 引言14-15
• 1.2 研究的目的與研究現(xiàn)狀15-16
• 1.3 研究內(nèi)容及章節(jié)安排16-18
• 第二章 相關(guān)理論基礎(chǔ)概述18-28
• 2.1 極化SAR地物分類概述18-22
• 2.1.1 極化SAR表示形式18-20
• 2.1.2 極化SAR分布特性20-21
• 2.1.3 極化SAR分類方法21-22
• 2.2 深度學(xué)習(xí)方法概述22-27
• 2.2.1 自動編碼器23-24
• 2.2.2 卷積神經(jīng)網(wǎng)絡(luò)24-25
• 2.2.3 深度信念網(wǎng)絡(luò)25-27
• 2.3 本章小結(jié)27-28
• 第三章 基于GRBM的極化SAR分類方法28-44
• 3.1 DBN模型原理28-31
• 3.1.1 受限制玻爾茲曼機（RBM）28-30
• 3.1.2 softmax回歸30-31
• 3.1.3 反向傳播算法（Back Propagation）31
• 3.2 基于GRBM的DBN模型31-34
• 3.2.1 高斯限制玻爾茲曼機（GRBM）31-32
• 3.2.2 基于GRBM的極化SAR分類算法32-34
• 3.3 實驗結(jié)果比較與分析34-43
• 3.4 本章小結(jié)43-44
• 第四章 基于WRBM的極化SAR分類方法44-54
• 4.1 Wishart限制玻爾茲曼機（WRBM）44-45
• 4.2 基于WRBM的極化SAR分類算法設(shè)計45-46
• 4.3 實驗結(jié)果比較與分析46-52
• 4.4 本章小結(jié)52-54
• 第五章 基于Robust Training的DBN極化SAR分類算法54-62
• 5.1 基于Robust Training的DBN訓(xùn)練方法54-56
• 5.2 SLIC超像素算法56-57
• 5.3 基于Robust Training的DBN極化SAR分類算法57-58
• 5.4 實驗結(jié)果比較與分析58-60
• 5.5 本章小結(jié)60-62
• 第六章 總結(jié)與展望62-64
• 6.1 總結(jié)62
• 6.2 展望62-64
• 參考文獻(xiàn)64-70
• 致謝70-72
• 作者簡介72-73

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前7條

1 呂啟;竇勇;牛新;徐佳慶;夏飛;;基于DBN模型的遙感圖像分類[J];計算機研究與發(fā)展;2014年09期

2 孫志軍;薛磊;許陽明;王正;;深度學(xué)習(xí)研究綜述[J];計算機應(yīng)用研究;2012年08期

3 吳永輝;計科峰;郁文賢;;基于支持向量機的極化SAR圖像分類[J];現(xiàn)代雷達(dá);2007年06期

4 薄華;馬縛龍;焦李成;;圖像紋理的灰度共生矩陣計算問題的分析[J];電子學(xué)報;2006年01期

5 劉秀清,楊汝良,楊震;雙波段全極化SAR圖像非監(jiān)督分類方法及實驗研究[J];電子與信息學(xué)報;2004年11期

6 劉哲,郝重陽,馮偉,劉曉翔,樊養(yǎng)余;一種基于小波系數(shù)特征的遙感圖像融合算法[J];測繪學(xué)報;2004年01期

7 王之禹,朱敏慧,白有天;基于Mueller矩陣分解的非監(jiān)督聚類算法[J];電子與信息學(xué)報;2001年05期

，

本文編號：751316