论文部分内容阅读
目前大部分的SAR(Synthetic Aperture Radar)影像地物分类算法可以看作是通过对浅层学习的特征进行分类,学习到的特征比较低级,分类准确率不高,因此复杂分类器的设计成为人们的研究热点。本文基于深度学习的思想,提出了一个基于RBF(Radial Base Function)网络的含三个隐含层的数据分类模型,其通过第一个隐含层将输入数据变换到高维空间,使之成为线性的,可分类的特征,然后通过第二个隐含层的自我学习,提取出高级的可分特征,最后再把高级的可分特征变换到更高维度的空间,将得到更高级的线性特征用来实现分类。将这个深度RBF网络模型及其改进和优化后的算法应用在UCI数据库、SAR影像地物数据以及多特征多类别的纹理图像的分类问题上,都获得比浅层学习方法SVM(Support Vector Machine)和RBF更高的鲁棒性和分类准确率。所取得的主要研究成果为:(1)提出了一种基于RBF网络和SAE(Sparse Auto Encoder)网络的SAR影像地物分类方法,主要解决现有的浅层机器学习的方法特征提取不优,分类准确率低的问题。其算法思想是基于深度学习,将单层的RBF网络与SAE网络结合扩展成三层结构的深度神经网络模型,将提取的SAR影像纹元特征通过该深度神经网络模型训练分类,得到比浅层学习算法(SVM、RBF)更高的分类精度,证实了该方法的可行性与高效性。(2)提出了一种基于RBF网络和RBM(Restricted Boltzmann Machines)网络的深度RBF分类器,基于SAE网络提取特征的局限性,特别是在多特征多样本数据分类问题上准确率不如浅层分类方法的缺陷,我们把SAE网络替换成RBM网络,该分类器应用在多类别多特征的UCI数据集、纹理图像集和SAR影像地物分类问题时,获得比基于RBF网络和SAE网络的SAR影像地物分类方法及浅层学习算法(SVM、RBF)更高的准确率,仿真实验说明了该分类器提取到更优的分类特征。(3)完成了进化深度神经网络的学习与优化。为了解决基于RBF网络和RBM网络的深度RBF分类器学习时间长以及参数调节复杂等劣势,提出了基于遗传算法的深度RBF分类器优化方法,基于粒子群优化算法的深度RBF分类器优化方法以及基于免疫的深度RBF分类器优化方法,通过进化深度神经网络的学习对RBF网络的聚类中心和中心范围进行优化,获得了更好的数据分类性能,更短的训练时间及更低的参数调节复杂度。