[发明专利]一种基于超限学习机的高光谱遥感图像地物分类方法

摘要

本发明公开了一种基于高光谱遥感图像的地物分类方法，将原始的超限学习机网络扩展为层级化多通道融合网络，在网络训练方面，不同于原始ELM网络的最小二乘算法求解输出权重策略以及深度学习网络的全局迭代调优策略，本发明采用贪婪式逐层训练的方式，对层级网络逐层训练，极大地缩短了网络的训练时间，在逐层训练的过程中，每层网络的训练求解模型均添加l₁正则优化项，使得参数求解结果更稀疏，减少过拟合风险，在网络功能方面，单隐层ELM网络侧重解决简单数据的拟合、分类问题，而本发明所提网络模型的不同层级实现了目标数据特征学习或特征融合，同时也继承了前者训练速度快、泛化能力强的优点，非常有利于模型的在轨实现并适应应急响应任务的要求。

主权项

1.一种基于超限学习机的高光谱遥感图像地物分类方法，其特征在于，包括如下步骤：步骤1、搜集高光谱影像数据样本，经过预处理，形成训练集；其中，训练集包括目标的光谱信息、空间信息以及目标的类别标识；步骤2、将超限学习机网络模型的特征提取层设置成两个通道，分别接收步骤1得到的光谱信息和空间信息，并分别进行训练，最后得到两个通道的输出，即空间特征Spat_proj与光谱特征Spet_proj：其中，针对光谱信息和空间信息中的任意一种，特征提取层的训练过程为：光谱信息或者空间信息定义为输入数据T，将输入数据T进行随机非线性映射，获得特征提取层的网络隐层节点输出h(T)：h(T)＝[g₁(T),....,g_L(T)]g_i(T)＝g(ω_iT+b_i),i＝1,2,……L上式中g_i(T)为第i个隐层节点输出，L为隐层节点的数量；第i个隐层节点的权重ω_i与偏置b_i均随机产生，选择sigmoid函数为隐层节点的激活函数g(ω_iT+b_i)；当训练集的样本数为N时，整个特征提取的过程看作解决如下形式的学习问题：Hβ＝T上式中H＝[h₁^T(T),....h^T_N(T)]^T，表示所有样本对应的隐层节点输出矩阵，则网络输出权重β即为特征提取层的待求参数；该网络待求参数通过优化如下代价函数获得：上式中λ为衡量训练误差与l₁正则项间的平衡权值，在实际应用过程中遍历有限候选值，选择使模型性能最佳的为最优值；根据代价函数得到网络输出权重β的解β_AE，则输入数据的特征表示即为输入数据在特征基β_AE上的投影，由下式表示：根据式(1)得到空间特征Spat_proj与光谱特征Spet_proj；步骤3、将步骤2得到的空间特征Spat_proj与光谱特征Spet_proj进行级联，形成超限学习机网络模型的融合层初始输入数据[Spet_proj,Spat_proj]；采取同步骤二的方法训练所述融合层的网络参数，进而获得所述融合层的输出，即为空谱联合特征；步骤4、将步骤3获得的空谱联合特征输入至超限学习机网络模型的分类决策层，结合步骤1的待识别目标的类别标识进行有监督训练，得到分类决策层网络参数，由此，获得训练好的超限学习机网络模型；步骤5、获得待识别目标的光谱信息与空间信息，并送入训练好的超限学习机网络模型中，实现样本的目标类别辨识结果。