發(fā)布時(shí)間：2017-08-29 04:28

  本文關(guān)鍵詞：基于深度學(xué)習(xí)的極化SAR分類(lèi)研究

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

【摘要】：極化合成孔徑雷達(dá)(Polarimetric Synthetic Aperture Radar,簡(jiǎn)稱(chēng)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?yàn)椴捎昧硕嗤ǖ阔@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(lèi)問(wèn)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(diǎn)。近年來(lái),深度學(xué)習(xí)在機(jī)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(lèi)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(lèi),結(jié)合極化SAR數(shù)據(jù)的統(tǒng)計(jì)分布特性提出了改進(jìn)的極化SAR地物分類(lèi)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(duì)其基本構(gòu)成單元受限制玻爾茲曼機(jī)(RBM)進(jìn)行分析,并將其擴(kuò)展應(yīng)用到了極化SAR數(shù)據(jù)的分類(lèi)上。引入高斯限制玻爾茲曼機(jī)(GRBM),實(shí)現(xiàn)了基于GRBM的極化SAR地物分類(lèi)算法,并通過(guò)實(shí)驗(yàn)分析了算法的性能,驗(yàn)證了在算法模型在極化SAR數(shù)據(jù)地物分類(lèi)問(wèn)題的有效性;2.在對(duì)RBM的原理深入分析的基礎(chǔ)上,結(jié)合極化SAR的統(tǒng)計(jì)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(duì)RBM進(jìn)行改進(jìn),提出了Wisahrt RBM(WRBM),通過(guò)實(shí)驗(yàn)驗(yàn)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(lèi)正確率和分類(lèi)效果達(dá)到優(yōu)于GRBM和SVM的分類(lèi)結(jié)果;3.針對(duì)DBN模型在訓(xùn)練過(guò)程中存在的過(guò)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(shí),引入鄰域信息,通過(guò)對(duì)鄰域信息重構(gòu)來(lái)實(shí)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(jī)梯度下降法將模型調(diào)整至局部最優(yōu)解,增強(qiáng)了模型的分類(lèi)穩(wěn)定性,最終實(shí)驗(yàn)結(jié)果驗(yàn)證了Robust Training的有效性。
【關(guān)鍵詞】：極化SAR分類(lèi) 深度學(xué)習(xí) 高斯限制玻爾茲曼機(jī) 深度信念網(wǎng) Wishart限制玻爾茲曼機(jī) SLIC超像素
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TN957.52
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 符號(hào)對(duì)照表10-11
• 縮略語(yǔ)對(duì)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?jī)?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(lèi)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(lèi)方法21-22
• 2.2 深度學(xué)習(xí)方法概述22-27
• 2.2.1 自動(dòng)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(lèi)方法28-44
• 3.1 DBN模型原理28-31
• 3.1.1 受限制玻爾茲曼機(jī)（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(jī)（GRBM）31-32
• 3.2.2 基于GRBM的極化SAR分類(lèi)算法32-34
• 3.3 實(shí)驗(yàn)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(lèi)方法44-54
• 4.1 Wishart限制玻爾茲曼機(jī)（WRBM）44-45
• 4.2 基于WRBM的極化SAR分類(lèi)算法設(shè)計(jì)45-46
• 4.3 實(shí)驗(yàn)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(lèi)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(lèi)算法57-58
• 5.4 實(shí)驗(yàn)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(jiǎn)介72-73

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 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(lèi)[J];計(jì)算機(jī)研究與發(fā)展;2014年09期

2 孫志軍;薛磊;許陽(yáng)明;王正;;深度學(xué)習(xí)研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2012年08期

3 吳永輝;計(jì)科峰;郁文賢;;基于支持向量機(jī)的極化SAR圖像分類(lèi)[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(jì)算問(wèn)題的分析[J];電子學(xué)報(bào);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(lèi)方法及實(shí)驗(yàn)研究[J];電子與信息學(xué)報(bào);2004年11期

6 劉哲,郝重陽(yáng),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(cè)繪學(xué)報(bào);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(lèi)算法[J];電子與信息學(xué)報(bào);2001年05期

，

本文編號(hào)：751316