[發(fā)明專利]基于特征隨機(jī)抽樣集成超限學(xué)習(xí)機(jī)的高光譜圖像分類方法

有效

• 申請?zhí)枺?/td>: 201710357950.3
• 申請日: 2017-05-19
• 公開（公告）號: CN107194423B
• 公開（公告）日: 2020-04-28
• 發(fā)明（設(shè)計(jì)）人: 徐英;谷雨;馮秋晨;郭寶峰
• 申請（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N20/10
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 杜軍

1.基于特征隨機(jī)抽樣集成超限學(xué)習(xí)機(jī)的高光譜圖像分類方法，其特征在于該方法的具體步驟是：

步驟(1)、結(jié)合空域信息提取高光譜圖像的空-譜特征向量；

步驟(2)、融合特征隨機(jī)抽樣、超限學(xué)習(xí)機(jī)與集成學(xué)習(xí)思想進(jìn)行分類器訓(xùn)練；

步驟(2)具體包括以下步驟：

2.1采用隨機(jī)抽樣方法對空-譜特征進(jìn)行降維處理

首先對步驟(1)原始空-譜特征向量進(jìn)行平均分組，得到S個子波段；然后從每個子波段區(qū)間隨機(jī)選擇若干個子特征進(jìn)行組合，以達(dá)到特征降維的目的；將上述隨機(jī)獲得的子特征對應(yīng)的索引記為index_k，k＝1…C為抽樣次數(shù)，C為采用的弱分類器數(shù)目；故第k個分類器經(jīng)過隨機(jī)抽樣后的特征矩陣為F(index_k，:)；

2.2采用具有快速學(xué)習(xí)能力的超限學(xué)習(xí)機(jī)訓(xùn)練弱分類器

超限學(xué)習(xí)機(jī)ELM的分類模型為

其中，h_i(x)＝G(a_i，b_i，x)為第i個隱層節(jié)點(diǎn)輸出響應(yīng)值，G為隱層節(jié)點(diǎn)采用的激活函數(shù)，x∈R^d，為d維實(shí)數(shù)域輸入子特征向量，a_i∈R^d，為輸入層與第i個隱層節(jié)點(diǎn)的隨機(jī)連接權(quán)重，b_i∈R，為第i個隱層節(jié)點(diǎn)的偏移值；L為隱層節(jié)點(diǎn)個數(shù)，β為輸出權(quán)重向量；

設(shè)訓(xùn)練樣本數(shù)目為N，目標(biāo)類別數(shù)目為B，ELM優(yōu)化的目標(biāo)函數(shù)為

其中，δ₁＞0,δ₂＞0,p,q＝0,1,2…,+∞，λ為正則化參數(shù)，H為所有訓(xùn)練樣本經(jīng)過L個隱層節(jié)點(diǎn)輸出的變換矩陣，其維數(shù)為N×L；T為目標(biāo)類別矩陣，如式(3)所示，每一行中，目標(biāo)真實(shí)類別位置為1，其余位置為-1；

當(dāng)δ₁＝2,δ₂＝2,p＝2,q＝2時，式(2)具有閉環(huán)解，具體如式(4)和式(5)所示；

當(dāng)N≤L時，

當(dāng)N＞L時，

其中，I為單位矩陣；

采用超限學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練時，按照式(6)生成輸入層與隱層間的連接矩陣W_k，按照式(7)生成偏置向量Bias_k；

W_k＝2×rand(L,size(index_k,1))-1 式(6)

Bias_k＝rand(L,1) 式(7)

其中，rand()函數(shù)為產(chǎn)生均勻分布且位于區(qū)間[0 1]的隨機(jī)數(shù)，size(v,1)函數(shù)用于獲取矩陣或向量的行數(shù)；則第k個分類器對應(yīng)的變換矩陣為

H_k＝(G(W_k·F(index_k,:)+Bias_k))^T 式(8)

根據(jù)式(8)，利用式(4)或式(5)求得輸出權(quán)重向量β_k；經(jīng)過超限學(xué)習(xí)機(jī)得到的弱分類器classifier_k包含{W_k，Bias_k，index_k，β_k，G}等參數(shù)；

2.3使用集成學(xué)習(xí)思想，通過投票表決法將弱分類器組合成強(qiáng)分類器

對于一個待測樣本，設(shè)經(jīng)過步驟(1)提取的特征向量為f_t，根據(jù)式(8)進(jìn)行特征降維與映射，利用式(1)求解得到一個1×B的向量v_k，向量中的每個值代表屬于某一類別的概率，通過式(9)求得最大位置處的索引即為目標(biāo)的類別Label_k；

[～,Label_k]＝max(classifier_k(f_t(index_k,:))) 式(9)

根據(jù)Bagging算法思想，對所有C個分類器的結(jié)果進(jìn)行投票表決，從而確定目標(biāo)的最終估計(jì)類別，如式(10)所示；

Label＝MajorityVote(Label_k)_k＝1…C 式(10)。

2.根據(jù)權(quán)利要求1所述的基于特征隨機(jī)抽樣集成超限學(xué)習(xí)機(jī)的高光譜圖像分類方法，其特征在于步驟(1)具體包括以下步驟：

利用空間目標(biāo)領(lǐng)域的光譜特性具有一定相似性，或?qū)儆谕活愇镔|(zhì)的假設(shè)，選擇空間領(lǐng)域內(nèi)一定區(qū)域的樣本均值作為特征向量f；

對所有的訓(xùn)練樣本，進(jìn)行上述特征提取，得到樣本對應(yīng)的特征向量f_S，s為樣本的標(biāo)號；然后將所有樣本的特征向量按列進(jìn)行排列，構(gòu)成特征矩陣F，F(xiàn)＝[f₁，……，f_N]，N為樣本個數(shù)。