• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 13
    • 下载费用:20 金币  

    重庆时时彩直播图: 基于深度RBF网络的SAR图像地物分类方法.pdf

    摘要
    申请专利号:

    重庆时时彩单双窍门 www.4mum.com.cn CN201410160538.9

    申请日:

    2014.04.18

    公开号:

    CN103955702A

    公开日:

    2014.07.30

    当前法律状态:

    授权

    有效性:

    有权

    法律详情: 授权|||实质审查的生效IPC(主分类):G06K 9/62申请日:20140418|||公开
    IPC分类号: G06K9/62; G06N3/02 主分类号: G06K9/62
    申请人: 西安电子科技大学
    发明人: 焦李成; 刘芳; 韩佳敏; 马文萍; 马晶晶; 王爽; 侯彪; 李阳阳; 杨淑媛
    地址: 710071 陕西省西安市太白南路2号
    优先权:
    专利代理机构: 陕西电子工业专利中心 61205 代理人: 王品华;朱红星
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201410160538.9

    授权公告号:

    ||||||

    法律状态公告日:

    2017.02.15|||2014.08.27|||2014.07.30

    法律状态类型:

    授权|||实质审查的生效|||公开

    摘要

    本发明提出了一种基于深度RBF网络的SAR图像地物分类方法,主要解决现有技术分类准确率低的问题。其实现步骤是:(1)提取SAR图像的纹元特征;(2)通过深度RBF网络第一层RBF神经网络对SAR图像的纹元特征进行训练,得到图像的高级特征;(3)通过深度RBF网络的第二层稀疏自动编码器网络SAE对高级特征进行训练,得到图像的更高级特征;(4)通过深度RBF网络第三层RBF神经网络对更高级特征进行训练,得到图像地物分类特征;(5)将图像测试样本的地物分类特征与测试样本标签对比,调节深度RBF网络各层参数,得到最优测试分类准确率。本发明分类准确率高,可用于复杂图像分类。

    权利要求书

    权利要求书
    1.  一种基于深度RBF网络的SAR图像地物分类方法,包括以下步骤:
    (1)给定一个由三层结构构成的深度RBF网络,其中第一层与第三层均是由一个输入单元,一个隐含单元和一个输出单元组成的RBF神经网络;第二层是由一个输入单元,一个隐含单元和一个输出单元组成的稀疏自编码器SAE神经网络;
    (2)对SAR图像进行预处理,利用所述的深度RBF网络学习出SAR图像的地物分类特征:
    (2a)选取包含城镇,农田,山脉三类地物的SAR图像作为分类对象,其中每类地物有50个训练样本,100个测试样本,每个样本的分辨率均是128*128,将每个样本分割成分辨率为64*64的图像块,得到200个训练样本和400个测试样本;
    (2b)提取训练样本的纹元特征feature1,即SAR图像训练样本的低级特征;将纹元特征feature1作为深度RBF网络中第一层输入单元的输入特征,通过RBF神经网络对纹元特征feature1进行训练,得到RBF神经网络中隐含单元的输出feature2,即SAR图像的高级特征;
    (2c)通过稀疏自编码网络SAE对SAR图像的高级特征feature2进行训练,得到该SAE网络输出单元的输出feature3,作为深度RBF网络的第二层输出,即SAR图像的更高级特征;
    (2d)通过RBF神经网络对SAR图像的更高级特征feature3进行训练,得到该RBF神经网络输出单元的输出feature4,作为深度RBF网络的第三层输出,即SAR图像训练样本的地物分类特征;
    (3)将SAR图像训练样本的地物分类特征feature4与SAR图像的训练样本类别标签进行对比,通过调节深度RBF网络各层的参数,得到最优的训练分类准确率;
    (4)重复步骤(1)-(3),利用深度RBF网络对SAR图像测试样本的纹元特征进行训练,得到SAR图像测试样本的地物分类特征,并将SAR图像测试样本的地物分类特征与SAR图像的测试样本类别标签进行对比,通过调节深度RBF网络各层的参数,得到最优的SAR图像地物测试分类准确率。

    2.  根据权利要求1所述的方法,其中步骤(2b)所述的通过RBF神经网络对纹元特征 feature1进行训练,按如下步骤进行:
    (2b1)将纹元特征feature1作为矩阵实验室MATLAB自带的RBF神经网络训练函数NEWRB()的输入单元;
    (2b2)矩阵实验室MATLAB自带的RBF神经网络训练函数NEWRB()用非监督方法K均值K-means聚类方法确定径向基函数RBF的欧式距离中心和均方差,并根据均方差和纹元特征feature1自动确定RBF神经网络隐含单元结点数目;
    (2b3)调节RBF神经网络的均方差,获得纹元特征feature1的训练准确率。

    3.  根据权利要求1所述的方法,其中步骤(2c)所述的通过稀疏自编码网络SAE对SAR图像的高级特征feature2进行训练,按如下步骤进行:
    (2c1)将SAR图像的高级特征feature2作为稀疏自编码网络SAE的输入单元;
    (2c2)随机初始化稀疏自编码网络SAE中连接输入单元与隐含单元的权值矩阵W和偏置值b,用反向传播算法BP训练权值矩阵W和偏置值b;
    (2c3)利用梯度下降法L-BFGS的多次迭代对反向传播算法BP训练权值矩阵W和偏置值b进行更新,得到最优的权值矩阵W和偏置值b,完成稀疏自编码网络SAE的训练;
    (2c4)调节稀疏自编码网络SAE的隐含单元结点数目,获得SAR图像的高级特征feature2训练准确率。

    4.  根据权利要求1所述的方法,其中所述的步骤(3),按如下步骤进行:
    (3a)用矩阵实验室MATLAB自带的sim()函数对SAR图像训练样本的地物分类特征进行预测,得到训练样本地物特征的标签label1;
    (3b)将预测出训练样本地物特征的标签label1与SAR图像给定的训练样本类别标签label2进行对比,统计标签相同的样本个数,得到训练分类准确率,通过微调深度RBF网络各层的参数得到最优的训练分类准确率。

    5.  根据权利要求1所述的方法,其中步骤(4)所述的将SAR图像测试样本的地物分类特征与SAR图像的测试样本类别标签进行对比,通过调节深度RBF网络各层的参数,得到最优的SAR图像地物测试分类准确率,按如下步骤进行:
    (4a)提取测试样本的纹元特征test-feature1;利用深度RBF网络第一层RBF神经网络对该纹元特征test-feature1进行训练,得到RBF神经网络隐含单元的输出test-feature2,即SAR图像测试样本的高级特征,利用矩阵实验室MATLAB自带的sim()函数,预测出测试样本高级特征的标签test-label1;
    (4b)将预测出测试样本高级特征的标签test-label1与SAR图像给定的测试样本类别标签test-label进行对比,统计标签相同的样本个数,得到RBF神经网络的测试分类准确率,通过微调RBF神经网络的均方差得到最优的RBF神经网络测试分类准确率;
    (4c)测试样本高级特征test-feature2通过深度RBF网络第二层和第三层的训练,得到测试样本的地物分类特征test-feature4,利用矩阵实验室MATLAB自带的sim()函数,预测出测试样本地物分类特征的标签test-label2;
    (4d)将预测出测试样本地物分类特征的标签test-label2与SAR图像给定的测试样本类别标签test-label进行对比,统计标签相同的样本个数,得到深度RBF网络的测试分类准确率,通过微调深度RBF网络各层的参数得到最优的RBF神经网络测试分类准确率。

    关 键 词:
    基于 深度 RBF 网络 SAR 图像 地物 分类 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    0条评论

    还可以输入200字符

    暂无评论,赶快抢占沙发吧。

    关于本文
    本文标题:基于深度RBF网络的SAR图像地物分类方法.pdf
    链接地址://www.4mum.com.cn/p-6140597.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03