[發(fā)明專利]基于SAE深度網絡的高光譜圖像空譜聯(lián)合的分類方法有效
| 申請?zhí)枺?/td> | 201510992076.1 | 申請日： | 2015-12-25 |
| 公開（公告）號： | CN105654117B | 公開（公告）日： | 2019-01-25 |
| 發(fā)明（設計）人： | 李映;張玉柱;張?zhí)栧?/a> | 申請（專利權）人： | 西北工業(yè)大學 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62 |
| 代理公司： | 西北工業(yè)大學專利中心 61204 | 代理人： | 王鮮凱 |
| 地址： | 710072 *** | 國省代碼： | 陜西;61 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 sae 深度 網絡 光譜 圖像 聯(lián)合 分類 方法 | ||
1.一種基于SAE深度網絡的高光譜圖像空譜聯(lián)合的分類方法，其特征在于步驟如下：
步驟1：對高光譜圖像像素的譜特征數據進行歸一化操作，即將譜特征數據映射到0-1之間，得到歸一化的譜特征；
將位于(i,j)的像素的空間特征設為(i,j)，然后對所有的空間特征進行歸一化操作，即將空間特征映射到0-1之間，得到歸一化的空間特征；
步驟2：以歸一化的譜特征和歸一化的空間特征聯(lián)合作為AE的輸入層，將輸入層乘以權重Wy，再加上偏置by得到隱藏層，將隱藏層乘以權重Wz，再加上偏置bz得到重建層，構成3層網絡結構的自編碼器AE；采用小批量(mini-batch)梯度下降法訓練自編碼器AE的參數，使重建層還原輸入層；
所述Wy＝WzT＝W，T為轉置；
步驟3：去除重建層，將隱藏層作為新的自編碼器AE的輸入層，按照步驟2中所述方法訓練出一個新的自編碼器AE；
重復構建多個自編碼器AE；
步驟4：將多個自編碼器AE進行連接構建得到SAE網絡；
步驟5：將SAE網絡連接softmax層，然后利用小批量(mini-batch)梯度下降法對整個網絡進行參數更新得到訓練好的網絡；
步驟6：利用訓練好的網絡對高光譜圖像進行分類；
所述W為-1～1之間的隨機數值。
2.根據權利要求1所述基于SAE深度網絡的高光譜圖像空譜聯(lián)合的分類方法，其特征在于：以訓練好的網絡對高光譜圖像的測試集進行分類，得到分類的準確率。
3.根據權利要求1所述基于SAE深度網絡的高光譜圖像空譜聯(lián)合的分類方法，其特征在于：調整自編碼器AE的隱藏層的單元個數，重復構建自編碼器AE的個數或BP算法中的學習速率，改變分類的準確率。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于西北工業(yè)大學，未經西北工業(yè)大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業(yè)授權和技術合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201510992076.1/1.html，轉載請聲明來源鉆瓜專利網。
