[發明專利]基于深度子空間切換集成學習的多源異構數據融合方法

有效

• 申請號: 201810732829.9
• 申請日: 2018-07-05
• 公開（公告）號: CN108985365B
• 公開（公告）日: 2021-10-01
• 發明（設計）人: 李勇明;張馨月;王品;曾孝平;譚曉衡;劉書君;張新征;李東;謝廷杰
• 申請（專利權）人: 重慶大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 重慶敏創專利代理事務所(普通合伙) 50253
• 代理人: 陳千

本發明公開了一種基于深度子空間切換集成學習的多源異構數據融合方法，按照以下步驟進行：S1：分別對每個源數據集進行特征提取，并組成空譜特征；S2：重組構成空譜特征數據集；S3：基于深度樣本學習算法對空譜特征數據集中的樣本數據進行處理，形成原始樣本、一階樣本和二階樣本；S4：針對三組樣本集，分別構建分類器模型；S5：對三組模型分別采用各自合適的分類方式進行分類，得到三組分類結果，然后通過分類投票得到最終的分類結果。其效果是：本發明聯合光譜空間信息并融入分層子空間切換集成學習算法，利用了多尺度的空譜樣本，增加了有用樣本，提高了訓練的質量，既保留了邊緣信息，又提高了樣本的多樣性和可分性。

技術領域

本發明涉及人工智能技術，具體涉及到一種基于深度子空間切換集成學習的多源異構數據融合方法。

背景技術

光譜圖像具有十分豐富的光譜和空間信息，這些信息能夠準確反映不同地物或組織類別之間的屬性差異，并實現其精確提取和識別，為更高精度的光譜影像分析與應用奠定良好基礎。但是光譜影像維數高、波段相關性大、存在噪聲以及獨特的非線性特征等圖像特征，給光譜影像分析與處理帶來了巨大挑戰。傳統的光譜影像分類方法通常僅利用像元光譜特征來進行地物分類，而未考慮影像中所蘊含的豐富的空間信息，如空間結構信息、像素位置和距離信息等。這些研究方法獲得的分類精度已經達到瓶頸、難以繼續提高。

發明內容

基于現有技術的缺陷，本發明提供了一種基于深度子空間切換集成學習的多源異構數據融合方法，該方法在處理多源光譜異構數據時，通過融合譜特征和空間特征，并利用深度樣本學習以及多分類器加權融合的手段，從而提升模式識別或分類的準確性。

為了實現上述效果，本發明所采用的具體技術方案如下：

一種基于深度子空間切換集成學習的多源異構數據融合方法，其關鍵在于按照以下步驟進行：

S1：分別對每個源數據集進行特征提取，并將提取的光譜特征和空間特征組成空譜特征；

S2：將每個源數據集的空譜特征重組構成空譜特征數據集；

S3：基于深度樣本學習算法對空譜特征數據集中的樣本數據進行處理，形成原始樣本、一階樣本和二階樣本；

S4：針對三組樣本集，分別構建分類器模型；

S5：對三組模型分別采用各自合適的分類方式進行分類，得到三組分類結果，然后通過分類投票得到最終的分類結果。

可選地，源數據集中的樣本包括近紅外光譜圖像、紫外光光譜圖像、可見光光譜圖像、遠紅外光譜圖像或拉曼光譜圖像中的任何一種或多種組合，且采用快速雙邊濾波提取其空間特征。

可選地，在步驟S3中，根據hold-out交叉驗證方法將空譜特征數據集分為訓練集和測試集，然后采用基于自組織神經網絡(SOM)，由原始樣本迭代得到一階樣本，通過一階樣本的迭代得到二階樣本，最終將訓練集中的樣本分為原始樣本、一階樣本和二階樣本。

可選地，針對原始樣本、一階樣本和二階樣本，分別隨機選擇K個特征子集，然后分別隨機選擇p1比例的樣本并結合半監督學習機制得到K個集成訓練集和K個測試集，然后利用微噪聲線性降維算法(mNLDR)分別更新K個集成訓練集并得到K個新訓練集和K個測試集，針對每一個新訓練集和測試集對SVM分類器進行訓練和測試，得到K個分類器，最后對K個分類器進行集成輸出分類結果，從而構建出集成多核SVM分類器模型。

可選地，在對原始樣本、一階樣本和二階樣本所得分類結果進行投票時，先分別賦予權重。

可選地，所述半監督學習機制中從測試集中隨機選擇q％的樣本，然后對其標記并按照：