基于多层神经网络的超光谱图像分类方法技术

本发明专利技术公开了一种基于多层神经网络的超光谱图像分类方法，包括训练过程和测试过程,训练过程包括非监督学习过程和监督学习过程;测试过程为将测试数据输入上述训练好的模型中，得到分类结果。本发明专利技术利用机器自学习特征的思想，提出了采用基于多层神经网络的超光谱分类方法，这样学习特征比人为设计的特征更加精确，有较好的鲁棒性。该学习只涉及到参数的调节，计算效率高，对于数据的分类准确率高。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种，包括训练过程和测试过程,训练过程包括非监督学习过程和监督学习过程;测试过程为将测试数据输入上述训练好的模型中，得到分类结果。本专利技术利用机器自学习特征的思想，提出了采用基于多层神经网络的超光谱分类方法，这样学习特征比人为设计的特征更加精确，有较好的鲁棒性。该学习只涉及到参数的调节，计算效率高，对于数据的分类准确率高。【专利说明】
本专利技术涉及机器学习、神经网络和遥感
，更具体地说，涉及一种基于多层 神经网络的超光谱分类。
技术介绍
超光谱图像是指图像有数十数百个狭窄的光谱带组成，而每一个光谱带代表着一 定范围的电磁波谱。人的眼睛只能接收可见光，而超光谱是把光谱范围扩展到可见光之外 的范围。在图像上来说就是普通的彩色图像只有三个波段，即红、绿、蓝3个可见波段成像 的叠加，可以表示为一个m*n*3的矩阵，m*n为图像的尺寸，而超光谱图像则是很多波段数 据的集合，包括不可见的波段，可以表示为：m*n*L，L是波段数。超光谱图像同时收集了图 像的数十数百个光谱波段，建立的精确的谱空间模型更有利于图像的分割和分类。 超光谱图像的分类可以用来确定其对应的材料的类别，比如对于生态，地质以及 农业等方面的类别判断。一般的分类包括三个步骤：特征提取，特征降维以及最后的分类， 其中最重要的环节就是特征的提取。现有的特征提取的方法比如DMPs算子，EMPs算子和 MAPs等，这些方法都将光谱和空间信息进行了联合考虑。特征的学习一般有两种方式：人 为学习和机器学习。由于分类的结果与特征的学习有着密切的关系，使用人为学习特征时， 当遇到一个新的前面没有学习的特征时，处理学习特征的过程将会变得很难，因此使用机 器自学习的方法来学习特征变得即为重要。目前超光谱分类应用中使用较多的仍是传统的 分类方法但是随着计算机技术和遥感技术的不断发展，专家系统，神经网络，模糊技术和决 策树等一些原来实现困难的新方法也在超谱图像处理中开始发挥作用。
技术实现思路
本专利技术的目的在于，针对上述特征学习技术中，采用人为的学习特征法具有学习 效率低，适应性差等问题提出了一种基于多层神经网络的机器自学习特征的方法。 实现本专利技术目的的技术方案为：多层神经网络的结构如图2所示。它包含输入层， 中间隐层以及输出层。各层之间是完全连接的而同层间是无连接的。该方法包括训练和测 试两个过程。为了便于理解，将做如下的字符说明： 输入数据集X = {(Xi，Li) |Xi e Rn，Li e L，i = 1，…⑷，其中N是训练样本的数 目，1^={1，2,3-，幻沙是标签类别的数目。对于超光谱图像中的每一个像素\￡1^(1 1为 超光谱图像中一个像素所含有的光谱带数）。Q是对应的\的类别标签。将每一层的输入 记为X，每一层的输出记为y。 训练过程包括以下步骤： 1)非监督学习过程； 2)监督学习过程。 测试过程包括以下步骤： 3)将数据输入上述训练好的模型中，进行分类，得到分类结果。 上述方法中，所述步骤1)包括以下具体步骤： 11)自动编码器构造过程； 12)降噪自动编码器的构造过程，如图3 ; 13)多层降噪自动编码器构造过程； 上述方法中，所述步骤11)包括以下具体步骤： 111)对于输入数据X，根据式子（1)得到输出y，将这个过程称为编码过程。 y = f g (x) = s (ffx+b) (1)【权利要求】1. 一种，其特征在于包括训练过程和测试过 程， 训练过程的步骤如下： 1) 非监督学习过程； 2) 监督学习过程； 测试过程的步骤如下： 3) 将测试数据输入上述训练好的模型中，得到分类结果。2. 根据权利要求1所述的，其特征在于所述 步骤1)包括以下具体步骤： 11) 自动编码器构造过程； 12) 降噪自动编码器的构造过程； 13) 多层降噪自动编码器构造过程。3. 根据权利要求2所述的，其特征在于步骤 11)包括以下具体步骤： 111) 对于输入X，根据式子（1)得到输出y，将这个过程称为编码过程， y = f e (x) = s (ffx+b) (1)112) 根据（1)式中的输出y，用式子（2)得到重构后的结果z，将这个过程称为解码即 重构过程； z = ge ； (y1 ) = s(ff/ x+b; ) (2) 从输入到输出的权值记为Θ = (W，b)，输出到输入的权值记为θ ' = (W'，b'); 113) 逐层进行参数Θ和θ '的优化，其目标函数如式子（3)所示：(3) 上面部分是参数的最优化式子，下面部分是损失函数；整个式子就是要使输入前的X 和最后重构后的ζ两者间的误差最小； 114) 优化过程：在迭代终止前，根据式子（4)进行计算：⑷ 其中，AW = -(z_x)*s' （W' y+b'）*W' *s' （Wx+b)*x; Aff/ =-(z-x)*s/ (ff/ y+b/ )*y； Δ b = - (z-x) *s; (ff/ y+b/ )*ff/ *s/ (ffx+b)； = -(z-x)*s/ (ff/ y+b/ )； s为学习效率，初始化定义其值，S' (X)表示函数s的导数，即s' (x) = S(x)*(l-S(x)); 最后得到自动编码器优化后的参数Θ和θ'。4. 根据权利要求3所述的，其特征在于步骤 Ill)中的输入具有以下特点： 输入数据集X = {(Xi，Li) I Xi e Rn，Li e L，i = 1，…N}，其中N是训练样本的数目，L ={1，2,3…，k}，k是标签类别的数目；对于超光谱图像中的每一个像素 Xi e Rn，n为超光 谱图像中一个像素所含有的光谱带数，Q是对应的Xi的类别标签，将每一层的输入记为χ， 每一层的输出记为y。5. 根据权利要求2所述的，其特征在于步骤 12) 包括如下具体步骤： 121)将原始的输入数据X选取一定量的数据项变成0,即得到加了噪声的输入de (X)， 加入噪声后的输入作为当前的输入进行步骤11)中的编码和解码过程，得到重构后的结果 z;接着根据输入de(x)以及重构后的结果z，按照步骤113)和114)中的过程进行目标函 数的优化，从而得到降噪编码器的参数Θ和Θ '。6. 根据权利要求2所述的，其特征在于步骤 13) 包括如下具体步骤： 131)根据多层神经网络结构图，将前一层的输出作为后一层的输入；根据步骤 12)中的结果，利用优化后的参数Θ = (W，b)得到当前层的输出即后一层中输入为将得到的y作为新的输入数据，重复上述步骤12)的过程，即逐 层进行降噪自动编码器的构造过程，直到到达多层神经网络中间隐层的最后一层为止，然 后算出该层的输出，进行接下来的监督学习的过程。7. 根据权利要求1所述的，其特征在于步骤 2包括如下具体步骤： 21. logistic回归的分类和优化过程； 22) 神经网络整个反向传播算法的微调过程。8. 根据权利要求7所述的，其特征在于步骤 21)包括如下具体步骤： 211) 步骤1)中最后的输出y作为logistic回归的输入数据集X进行分类，其分类的 结果用式子（5)进行计算：(5) 其中Θ是参数，Θ = (W，b本文档来自技高网...

【技术保护点】
一种基于多层神经网络的超光谱图像分类方法，其特征在于包括训练过程和测试过程, 训练过程的步骤如下： 1)非监督学习过程； 2)监督学习过程； 测试过程的步骤如下： 3)将测试数据输入上述训练好的模型中，得到分类结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：刘亚洲，唐晓晴，孙权森，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32