基于遷移學習的高光譜遙感影像分類算法研究

2.37萬字 51頁 原創(chuàng)作品，通過查重系統(tǒng)


摘要
高光譜遙感是將目標探測技術(shù)與光譜成像技術(shù)相結(jié)合的多維地物信息獲取技術(shù)。高光譜遙感影像有著信息量大、光譜分辨率高的特點。但高光譜數(shù)據(jù)容量大、信息冗余對存儲和計算都帶來了壓力，我們通過對高光譜的降維可以有效地解決這些問題。在降維的基礎(chǔ)上對高光譜遙感影像分類，就可以有效利用高光譜遙感影像的信息。不過現(xiàn)有的分類方法繁多而且褒貶不一，那如何從高光譜遙感影像所產(chǎn)生的數(shù)據(jù)中進行高精度的分類仍是亟待解決的問題。
遷移學習作為機器學習領(lǐng)域中最重要的研究方向之一，在近幾年開始越來越受到人們的關(guān)注，在本文中，我們將對遷移學習的理論與算法進行研究，并將其應用到對高光譜遙感影像數(shù)據(jù)的特征提取以及分類中去，主要研究內(nèi)容有：
(1)在遷移學習的眾多方法中，我們選擇了樣本遷移這一較為基礎(chǔ)，也是較為簡單有效的學習方式，來作為我們主要的遷移手段，通過對原始數(shù)據(jù)的部分樣本數(shù)據(jù)進行訓練學習后，再將其應用到測試數(shù)據(jù)的分類研究中去，實驗表明該方法是有效的。
(2)在研究遷移學習的經(jīng)典算法之前，我們先來看看Adaboost這一經(jīng)典機器學習算法。Adaboost算法的核心思想是通過迭代，針對同一個訓練集練出不同的弱分類器，然后把這些弱分類器通過加權(quán)求和得出一個最強的分類器，是一個十分可靠有效地學習算法。經(jīng)過多方考量，我們決定將其與遷移學習融合在一起，提出了基于遷移學習的Adaboost算法。經(jīng)過最終的實驗分析證明該算法所提供的分類器是有效的。
(3)將遷移學習應用于高光譜遙感影像的分類研究，是機器學習的又一新的應用領(lǐng)域，通過遷移學習我們可以有效地解決高光譜的分類問題。遷移學習的應用方向還有很多，它以它的簡單多變性可以很自如的解決很多領(lǐng)域的問題，在未來，遷移學習一定可以得到很好發(fā)展。

關(guān)鍵字：高光譜遙感，遷移學習，boosting技術(shù)，Adaboost算法