基于深度学习CNN的滨海湿地高光谱遥感影像分类研究

摘要

滨海湿地是重要的生态系统，遥感技术是滨海湿地监测的重要手段。高光谱遥感数据具有图谱合一的特点，为遥感影像精细分类提供了可能。卷积神经网络是深度学习的重要方法，是目前遥感图像精细分类的新方向。本文针对传统 CNN 模型中梯度下降算法收敛速度慢的问题，发展了一种基于共轭梯度法的CNN 模型，使用共轭梯度算法对模型的下降梯度进行更新，克服了 CNN 模型在训练样本较多时收敛慢且精度不高的不足；针对传统 CNN 模型中学习率固定导致的过拟合或欠拟合问题，提出了融合黄金分割法和二次插值法的自适应学习率 CNN 模型，该模型可自动调节学习率，替代人工方式手动设置学习率，使传统模型中寻找最优调节参数的工作量显著减少。 本文发展了一种基于共轭梯度法的CNN模型、提出了自适应学习率的CNN模型，并应用2景滨海湿地高光谱影像开展了分类实验，主要结论如下： 1）基于共轭梯度法的CNN模型在模型计算量增大时能更快地收敛，在达到某一精度要求时，时间消耗明显少于传统C NN模型，仅为传统C NN模型的1/3；基于共轭梯度法的CNN 模型表现出对噪声的抗干扰能力，在增加训练样本数量，以及不同程度噪声干扰的条件下，与传统CNN模型相比，能够提供更高的分类结果。 2）共轭梯度法在求解大型非线性最优化问题中有稳定收敛的优势，基于共轭梯度法的CNN 模型在训练的样本数较多时仍能保证分类精度，适合于大数据量的高光谱图像分类。不断增加批训练样本个数，基于共轭梯度下降的CNN 模型精度下降幅度明显小于传统CNN模型，且批训练样本数增至160时的精度仍能保持在80%以上，高出CNN模型2.8%。 3）自适应学习率的CNN模型受初值影响很小。当学习率搜索区间一定时，传统 CNN 模型的分类精度受初值影响较大，分类精度的浮动值高达 10.8%，而所提出模型的分类精度变化基本稳定在1.2%以内，明显低于传统CNN模型，实现了学习率的自适应调节；当学习率的范围控制在0到1之间时，所提出的模型能取得更优的分类精度。

目录

第一个书签之前