[發明專利]基于深度神經網絡的SAR紋理圖像分類方法

在審

• 申請號: 201410745713.0
• 申請日: 2014-12-08
• 公開（公告）號: CN104408483A
• 公開（公告）日: 2015-03-11
• 發明（設計）人: 焦李成;李玲玲;韓佳敏;屈嶸;楊淑媛;侯彪;王爽;劉紅英;熊濤;馬文萍;馬晶晶
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/66
• 分類號: G06K9/66;G06K9/46;G06N3/02
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;朱紅星

1.一種基于深度神經網絡的SAR紋理圖像分類方法，包括以下步驟：?

(1)定義深度神經網絡包括三層結構，其中第一層與第三層均是由一個輸入單元，一個隱含單元和一個輸出單元組成的徑向基函數RBF神經網絡；第二層是由一個隱含單元和一個可視單元組成的受限玻爾茲曼機RBM神經網絡；?

(2)通過學習SAR圖像訓練樣本的紋理分類特征，訓練出所述的深度神經網絡：?

(2a)選取包含城鎮，農田，山脈三類地物的SAR圖像作為第一個實驗對象，選取包含十三類紋理實物的SAR圖像texture作為第二個實驗對象，提取這兩個實驗對象訓練樣本的紋元特征和灰度特征，即實驗對象訓練樣本的低級特征，然后通過對該低級特征進行訓練，得到深度神經網絡；?

(2b)將實驗對象訓練樣本的低級特征作為深度神經網絡中第一層輸入單元的輸入特征，通過徑向基函數RBF神經網絡對低級特征進行訓練，得到該RBF神經網絡中隱含單元的輸出，作為深度神經網絡的第一層輸出，即實驗對象的高級特征，完成深度神經網絡第一層的訓練；?

(2c)通過受限玻爾茲曼機RBM神經網絡對實驗對象的高級特征進行訓練，得到該RBM神經網絡中隱含單元的輸出，作為深度神經網絡的第二層輸出，即實驗對象的更高級特征，完成深度神經網絡第二層的訓練；?

(2d)通過徑向基函數RBF神經網絡對實驗對象的更高級特征進行訓練，得到該RBF神經網絡輸出單元的輸出，作為深度神經網絡的第三層輸出，即實驗對象訓練樣本的紋理分類特征，完成深度神經網絡第三層的訓練；?

(3)利用步驟(2)訓練好的深度神經網絡對實驗對象測試樣本進行分類：?

(3a)提取實驗對象測試樣本的低級特征，利用深度神經網絡第一層徑向基函數RBF神經網絡對該低級特征進行訓練，得到該RBF神經網絡隱含單元的輸出，即實驗對象測試樣本的高級特征，利用矩陣實驗室MATLAB自帶的sim()函數，預測出該高級特征的類別標簽；?

(3b)將預測出實驗對象測試樣本高級特征的類別標簽與實驗對象給定的測試樣本類別標簽進行對比，統計標簽相同的樣本個數，完成利用徑向基函數?RBF神經網絡對SAR紋理圖像的分類；?

(3c)將實驗對象測試樣本的高級特征通過深度神經網絡第二層和第三層的訓練，得到實驗對象測試樣本的紋理分類特征，利用矩陣實驗室MATLAB自帶的sim()函數，預測出該測試樣本紋理分類特征的標簽；?

(3d)將預測出實驗對象測試樣本地物分類特征的標簽與實驗對象給定的測試樣本類別標簽進行對比，統計標簽相同的樣本個數，完成利用深度神經網絡對SAR紋理圖像的分類。?

2.根據權利要求1所述的方法，其中步驟(2b)所述的通過RBF神經網絡對低級特征進行訓練，按如下步驟進行：?

(2b1)將低級特征作為矩陣實驗室MATLAB自帶的徑向基函數RBF神經網絡訓練函數NEWRB()的輸入單元；?

(2b2)用K均值聚類方法初始化徑向基函數RBF神經網絡的歐式距離中心，隨機初始化徑向基函數RBF神經網絡的均方差，徑向基函數RBF神經網絡訓練函數NEWRB()根據均方差和歐式距離中心自動確定該RBF神經網絡隱含單元的結點數目；?

(2b3)通過梯度下降法的多次迭代，調節徑向基函數RBF神經網絡的隱含單元的結點數目，使得徑向基函數RBF神經網絡的均方差最小，完成徑向基函數RBF神經網絡的訓練。?

3.根據權利要求1所述的方法，其中步驟(2c)所述的通過受限玻爾茲曼機RBM神經網絡對實驗對象的高級特征進行訓練，按如下步驟進行：?

(2c1)將實驗對象的高級特征作為受限玻爾茲曼機RBM神經網絡可視單元的輸入特征；?

(2c2)隨機初始化受限玻爾茲曼機RBM神經網絡的權值矩陣W和偏置值b，通過對比差異CD算法訓練權值矩陣W和偏置值b；?

(2c3)通過吉布斯采樣算法的多次迭代，優化權值矩陣W和偏置值b，完成受限玻爾茲曼機RBM神經網絡的訓練。?