基于極速學習理論的高光譜數據分類.pdf

1、高光譜遙感數據的高維,海量,異構,標記樣本少等特點給高光譜圖像的研究帶來了極大的挑戰(zhàn)。極速學習算法是最近幾年提出的一種新穎的機器學習算法,由于其輸入層權值和隱藏層偏值隨機設置,輸出層權值能夠以解析的形式求出來,所以在大規(guī)模數據分類中表現(xiàn)出運行速度快,分類正確率高,泛化性能好等特點。本文在研究極速學習理論的基礎上,針對高光譜遙感數據的高維,標記樣本少,受到了隨機噪聲影響等問題,分別提出了稀疏極速學習機,半監(jiān)督極速學習機,以及貝葉斯極速學習

2、機等學習模型,以實現(xiàn)高光譜數據的快速準確分類。所做主要工作如下:
　　(1)針對高光譜數據的降維與學習,提出稀疏極速學習機模型與相應的學習算法。由于學習機的性能與數據特征密切相關,所以我們將高光譜數據的特征選擇問題與學習機的模型選擇問題歸結為稀疏表示問題,提出同時完成數據降維與結構優(yōu)化的稀疏極速學習機模型與學習算法。稀疏結構不僅可以降低網絡的計算復雜度,而且有可能帶來更好的推廣能力。本文也將該模型推廣到深層結構,構造了稀疏深層極速

3、學習機模型與相應的學習算法,以達到快速準確的高光譜數據學習。在公測的高光譜數據上進行實驗,結果表明,該方法能夠在低維的數據上實現(xiàn)快速準確的分類。
　　(2)針對高光譜數據存在的混合像元現(xiàn)象以及標記樣本代價高的問題,提出基于修正聚類假設的半監(jiān)督極速學習機模型與相應算法。將半監(jiān)督分類中常用的聚類假設進行修正,利用未標記樣本信息建立修正聚類假設下的流形正則,提出了基于半監(jiān)督極速學習與修正聚類假設的高光譜數據分類技術。在極少標記樣本時達到

4、準確的分類。在 Indiana等數據上進行實驗,實驗結果表明該方法在同等條件下不僅分類正確率優(yōu)于其它方法,而且時間復雜度也很低。
　　(3)針對高光譜數據中存在的混合像元與噪聲問題,提出空-譜貝葉斯極速學習機模型與相應的學習算法?？紤]到高光譜成像中受到的不同程度的各種系統(tǒng)和隨機噪聲影響,對噪聲進行建模,引入貝葉斯技術構造更加魯棒的貝葉斯極速學習方法。引入空間一致性假設,聯(lián)合利用高光譜的空-譜信息,建立空-譜貝葉斯極速學習機模型與學