基于深度置信网集成的高光谱数据分类方法研究

摘要

高光谱成像技术作为遥感领域的前沿科技，极大地扩展了人们获取地表信息的能力。在高光谱数据处理领域的众多研究热点中，对地物的分类技术得到了人们的广泛关注。然而高光谱数据的图谱合一以及高维度等数据特点也为分类带来了诸多问题，本文将深度学习和集成学习的方法应用到高光谱数据分类中，有效地解决了由于数据自身特点和样本数目有限而引起的问题。本文从高光谱数据在光谱和空间变化下的特性出发，使用深度置信网对高光谱数据进行特征学习和数据分类；分析集成学习方法对数据分类的提升效果。从而借助深度置信网的强大学习能力并结合集成学习的思想来设计高光谱数据的分类算法，进一步地提高了高光谱数据对地物的分类效果。具体的研究内容如下：
　　首先，从高光谱遥感的成像原理和特点出发，分析高光谱数据在光谱和空间变化下的特征。通过定性和定量的度量方法，说明了高光谱数据在光谱和空间角度上存在着数据的差异性。从而得出了高光谱数据存在着变化特征以及不变特征的提取对于高光谱数据分类具有重要作用的结论。
　　其次，对深度学习的理论研究，包括限制玻尔兹曼机、深度置信网及相关的深层分类结构的分析和研究。具体为对限制玻尔兹曼机模型的结构原理、网络学习过程的分析；研究深度置信网的结构、分类结构的建立和相关的训练法则。该部分内容作为后续的研究提供了理论基础。
　　然后，将深度置信网应用到高光谱数据分类中。先使用限制玻尔兹曼机对高光谱数据进行特征提取，验证了深度学习理论对于高光谱数据的适用性以及对于高光谱数据不变特征的提取。在此基础上，本文首次将深度置信网应用到高光谱数据分类中，针对高光谱数据高维度及图谱合一的特点，分别从光谱、空间及光谱-空间三个信息角度使用深度置信网实现高光谱数据分类。实验验证该方法优于经典的分类器——支持向量机，是一种有效的高光谱数据分类方法。
　　最后，基于深度置信网集成的高光谱数据分类方法。针对高光谱数据存在的小样本限制数据分类精度的问题，本文提出了基于深度置信网集成的高光谱数据分类方法。该方法将具有良好分类性能的深度置信网和集成学习理论结合，建立了基于随机光谱特征和随机光谱-空间特征的两种集成分类方法。实验验证该方法表现出优于单一的深度置信网分类结构的分类性能。

目录

封面

中文摘要

英文摘要

目录

第1章 绪 论

1.1 课题背景及研究的目的和意义

1.2 国内外研究现状及分析

1.3 本文的主要研究内容及结构安排

第2章 高光谱数据在光谱和空间变化下的特性分析

2.1 引言

2.2 高光谱数据的成像原理

2.3 高光谱数据在光谱和空间变化下特性的度量

2.4 高光谱数据变化特征及不变特征提取

2.5 本章小结

第3章 深度置信网的理论与应用研究

3.1 引言

3.2 深度学习理论简介

3.3 限制玻尔兹曼机

3.4 深度置信网

3.5 本章小结

第4章 深度置信网在高光谱数据分类中的应用

4.1 引言

4.2 RBM对高光谱数据的特征提取

4.3 基于光谱信息的高光谱数据分类

4.4 基于空间信息的高光谱数据分类

4.5 基于光谱-空间信息的高光谱数据分类

4.6 本章小结

第5章 基于深度置信网集成的高光谱数据分类

5.1 引言

5.2 集成学习理论简介

5.3 基于随机光谱特征选择集成的高光谱数据分类

5.4 基于随机光谱-空间特征选择集成的高光谱数据分类

5.5 实验结果及分析

5.6 本章小结

结论

参考文献

攻读硕士学位期间发表的论文及其它成果

声明

致谢