实习报告模板 计算机大作业实验等报告.docVIP

评阅成绩 计算机学院专业实习报告 专业名称 实习题目 姓 名 班 级 学 号 实习时间 指导教师 2017年08月26日 目 录 摘 要 1 第一章 开发工具 1 第二章 相关工具和开发环境 1 2.1相关工具 1 2.2 开发环境 2 第三章 需求分析 2 3.1多维图像 2 3.1.1 高光谱图像表示 2 3.1.2 训练集、测试集 2 3.2 分类 2 3.2.1 分类目标 2 3.2.2 分类原理 3 3.2 测试 3 3.2.1 测试方法 3 3.2.2 展示方法 3 第四章 系统分析与结构设计 3 4.1卷积神经网络结构 3 4.1.1 系统分析 3 4.1.2 结构设计 4 4.2 （改进）pixel-pair结构 4 4.2.1 系统分析 4 4.2.2 结构设计 5 第五章 详细设计 5 2.1全连接的反向传播算法 5 2.2?卷积神经网络 6 2.2.1 卷积层 6 2.2.2 子采样层 6 2.2.3 Softmax 7 2.3 pixel-pair 7 2.3.1训练pair 7 2.3.2 测试pair 7 第六章 程序编码 8 第七章 测试与运行 8 第八章 开发技术总结 8 参考资料 9 实习总结 9  摘 要 本实验为解决多维图像的分类问题，在此次试验中处理的是高光谱图像，这份报告使用了卷积神经网络进行分类。 本次实习使用了两种结构的神经网络一种是普通的将单一像素点作为一个样本的方法另一种使用了Pixelpair的方法详见参考资料]。 在这份报告中主要细述第二种方法测试结果为第一种方法的测试结果 Pixel-pair，基本思想是增加卷积神经网络训练过程中的数据量以期达到更好的效果不同于N个将每个作为一个样本这种方法将N个像素两两组合将来自不同类别的像素组成的pair作为新的一类这样一来样本的数目扩充为N(N-1)/2 Matlab2015a (32bit) Matlab2015b (64bit) 第二章 相关工具和开发环境 2.1相关工具 DeepLearnToolBox; Matlab 2.2 开发环境 Matlab2015a (32bit) Matlab2015b (64bit) 系统Windows7 第三章 需求分析 3.1多维图像 3.1.1 高光谱图像表示 高光谱数据可表示为高光谱数据立方体，是三维。高光谱数据可视为三维图像，在普通二维图像之外又多了一维光谱信息。其空间图像为描述地表二维空间特征，其光谱维揭示了图像每一像元的光谱曲线特征，由此实现了遥感数据图像维与光谱维信息的有机融合。? (1)空间图像维：在空间图像维，高光谱数据与一般的图像相似。? (2)光谱维：从高光谱图像的每一个像元中可获得一个“连续”的光谱曲线采用基于光谱的“光、谱匹配”技术，可以实现识别地物的目的。同时大多数地物都具有典型的光谱波形特征，尤其是光谱吸收特征。这些特征与地物的化学成分是密切相关的。?3.1.2 训练集、测试集 训练用数据是一幅标注过每个像素点类别的高光谱图像，这里是一个三维矩阵。（像素点所在列，像素点所在行，类别）。 测试集是未进行过 需要将测试集的第三维作为特征进行训练在训练用数据里找到其类别3.2 分类 3.2.1 分类目标3.2.2 分类原理 不同物质在不同波段光谱信号下的不同表现，可以绘制成一条关于光谱波段和光谱值之间的曲线，根据曲线的差异，我们可以高光谱图像中不同物质进行分类。3.2 测试 3.2.1 测试方法 选取测试像素同其周围点组成的pair作为输入，这时运用投票策略以票数最多的一类作为分类结果（测试过程中不考虑第0类）。将所得类别与标定进行比较得到错误率。 3.2.2 展示方法 计算整个测试集上所有类别中选取一部分进行测试分类时的错误率，以错误率作为衡量指标。 第四章 系统分析与结构设计 4.1卷积神经网络结构 4.1.1 系统分析 输入光谱维：从高光谱图像的每一个像元中可获得一个“连续”的光谱曲线。在这里是取了 输出 分类结果，在这里有9类，分类结果为softmax之后对应的概率最大的那一类。 4.1.2 结构设计 4.2 （改进）pixel-pair结构 4.2.1 系统分析 输入 将N个像素两两组合将来自不同类别的像素组成的pair作为新的一类 输出 分类结果，在这里有9类（除去第0类），分类结果为softmax之后对应的概率最大的那一类。 4.2.2 结构设计 第五章详细设计 全连接的反向传播算法 反向传播回来的误差可以看做是每个神经元的基的灵敏度sensitivities（灵敏度的意思就是我们的基b变化多少，误差会变化多少，也就是误