基于极速学习理论的高光谱数据分类-电子与通信工程专业论文.docxVIP

万方数据 万方数据 西安电子科技大学 学位论文独创性声明 秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在 导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标 注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成 果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的 材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说 明并表示了谢意。 申请学位论文与资料若有不实之处，本人承担一切法律责任。 本人签名： 日 期： 西安电子科技大学 关于论文使用授权的说明 本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究 生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。学校有权保 留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内 容，可以允许采用影印、缩印或其它复制手段保存论文。同时本人保证，毕业后 结合学位论文研究课题再撰写的文章一律署名单位为西安电子科技大学。 （保密的论文在解密后遵守此规定） 本学位论文属于保密，在 年解密后适用本授权书。 本人签名： 导师签名： 日 期： 日 期： II 基于极速学习理论的高光谱数据分类 摘 要 III 摘 要 高光谱遥感数据的高维，海量，异构，标记样本少等特点给高光谱图像的研 究带来了极大的挑战。极速学习算法是最近几年提出的一种新颖的机器学习算法， 由于其输入层权值和隐藏层偏值随机设置，输出层权值能够以解析的形式求出来， 所以在大规模数据分类中表现出运行速度快，分类正确率高，泛化性能好等特点。 本文在研究极速学习理论的基础上，针对高光谱遥感数据的高维，标记样本少， 受到了随机噪声影响等问题，分别提出了稀疏极速学习机，半监督极速学习机， 以及贝叶斯极速学习机等学习模型，以实现高光谱数据的快速准确分类。所做主 要工作如下： （1）针对高光谱数据的降维与学习，提出稀疏极速学习机模型与相应的学 习算法。由于学习机的性能与数据特征密切相关，所以我们将高光谱数据的特征 选择问题与学习机的模型选择问题归结为稀疏表示问题，提出同时完成数据降维 与结构优化的稀疏极速学习机模型与学习算法。稀疏结构不仅可以降低网络的计 算复杂度，而且有可能带来更好的推广能力。本文也将该模型推广到深层结构， 构造了稀疏深层极速学习机模型与相应的学习算法，以达到快速准确的高光谱数 据学习。在公测的高光谱数据上进行实验，结果表明，该方法能够在低维的数据 上实现快速准确的分类。 （2）针对高光谱数据存在的混合像元现象以及标记样本代价高的问题，提 出基于修正聚类假设的半监督极速学习机模型与相应算法。将半监督分类中常用 的聚类假设进行修正，利用未标记样本信息建立修正聚类假设下的流形正则，提 出了基于半监督极速学习与修正聚类假设的高光谱数据分类技术。在极少标记样 本时达到准确的分类。在 Indiana 等数据上进行实验，实验结果表明该方法在同 等条件下不仅分类正确率优于其它方法，而且时间复杂度也很低。 （3）针对高光谱数据中存在的混合像元与噪声问题，提出空-谱贝叶斯极速 学习机模型与相应的学习算法。考虑到高光谱成像中受到的不同程度的各种系统 和随机噪声影响，对噪声进行建模，引入贝叶斯技术构造更加鲁棒的贝叶斯极速 学习方法。引入空间一致性假设，联合利用高光谱的空-谱信息，建立空-谱贝叶 斯极速学习机模型与学习算法。通过贝叶斯估计修正了网络的输出权值，从而提 升了分类精度。在公测数据上进行实验仿真，结果验证了该方法的有效性。 本文工作得到了 973 国家重点基础研究发展计划:No.2013CB329402，国家 自然科学基金6060102961173090)，新世纪优秀人才项 目：NCET-10-0668，教育部博士点基金(20120203110005)，以及高等学校学科创 新引智计划(111 计划)：No. B0704 的资助。 IV 基于极速学习理论的高光谱数据分类 关键词：高光谱图像 极速学习 稀疏学习 压缩采样 半监督学习 贝叶斯估计 Abstract V Abstract The characteristics of hyperspectral remote sensing data in high-dimensionality, mass, heterogeneous and with small amount of labeled samples bring a big challenge to the research on hyperspectral image. Extreme Learning Machine (ELM) is a ne