資源描述：
《基于ELM的高光譜遙感影像土地利用覆蓋分類優(yōu)化方法研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、電子科技大學(xué)UNIVERSITYOFELECTRONICSCIENCEANDTECHNOLOGYOFCHINA專業(yè)學(xué)位碩士學(xué)位論文MASTERTHESISFORPROFESSIONALDEGREE論文題目基于ELM的高光譜遙感影像土地利用覆蓋分類優(yōu)化方法研究專業(yè)學(xué)位類別工程碩士學(xué)號201522180320作者姓名李麗指導(dǎo)教師黃方副教授分類號密級注1UDC學(xué)位論文基于ELM的高光譜遙感影像土地利用覆蓋分類優(yōu)化方法研究（題名和副題名）李麗（作者姓名）指導(dǎo)教師黃方副教授電子科技大學(xué)成都（姓名、職稱、單位名稱）
2、申請學(xué)位級別碩士專業(yè)學(xué)位類別工程碩士工程領(lǐng)域名稱電子與通信工程提交論文日期2018.5.01論文答辯日期2018.5.23學(xué)位授予單位和日期電子科技大學(xué)2018年6月答辯委員會主席評閱人注1：注明《國際十進分類法UDC》的類號ResearchonLandUseCoverClassificationOptimizationMethodsforHyperspectralRemoteSensingImageBasedonELMAMasterThesisSubmittedtoUniversityofElectr
3、onicScienceandTechnologyofChinaDiscipline:MasterofEngineeringAuthor:LiLiSupervisor:Assoc.Prof.FangHuangSchool:SchoolofResourcesandEnvironment摘要摘要利用遙感影像進行土地利用覆蓋分類是獲取土地覆蓋信息的重要環(huán)節(jié)，也是目前土地利用/土地覆蓋變化研究的重點內(nèi)容。近年來，鑒于高光譜遙感影像具有多波段、高分辨率、包含豐富的信息等巨大優(yōu)勢，利用它對土地利用分類已成為遙感領(lǐng)域的
4、研究熱點。然而，高光譜遙感數(shù)據(jù)的海量、高維等特點也為遙感影像分類的研究帶來了極大的挑戰(zhàn)，傳統(tǒng)的分類方法在用于分類時，容易造成處理規(guī)模過大、計算復(fù)雜以及極易陷入極小值等問題，尤其是在分類效率和速度上已很難滿足當前應(yīng)用的需求。極限學(xué)習(xí)機（ExtremeLearningMachine,ELM）是于2006年提出的一種快速機器學(xué)習(xí)算法，在處理大規(guī)模數(shù)據(jù)時展現(xiàn)出學(xué)習(xí)速度快、效率高以及良好的泛化性能等優(yōu)點，因此將ELM算法應(yīng)用于高光譜遙感影像分類能夠有效克服該領(lǐng)域所面臨的發(fā)展瓶頸問題。著眼于此，本文將ELM應(yīng)用于高
5、光譜遙感影像分類，主要針對ELM遙感影像分類方法存在的不穩(wěn)定性、魯棒性較差以及分類精度偏低等問題，分別從集成學(xué)習(xí)、充分利用影像紋理特征以及深度學(xué)習(xí)三個不同角度出發(fā)，提出了三種基于ELM的遙感影像分類優(yōu)化方法。具體的研究內(nèi)容如下：（1）針對ELM分類中存在的分類結(jié)果的不穩(wěn)定性，結(jié)合集成學(xué)習(xí)思想，設(shè)計并實現(xiàn)了基于集成學(xué)習(xí)的ELM遙感影像分類方法。首先，通過重采樣生成多個訓(xùn)練集，分別訓(xùn)練一個ELM基分類器；然后刪除其中不穩(wěn)定或分類較差的基分類器，并采用投票法+最大概率法對基分類器進行集成；最后利用該方法對In
6、dianPines、PaviaU和Salinas高光譜數(shù)據(jù)進行分類實驗，結(jié)果證明該方法在保證ELM分類效率優(yōu)勢的同時，提高了遙感影像分類的穩(wěn)定性和魯棒性，使分類精度也得以提高。該方法的不足之處在于分類結(jié)果改善仍不夠理想，分類圖中仍有一些麻點。（2）為了進一步提高ELM分類精度，并且解決（1）中優(yōu)化方法存在的問題，本文充分考慮并利用地物豐富的空間紋理特征，提出了基于局部二值模式紋理特征（LBP）的KELM遙感影像分類方法。該方法首先采用最小噪聲分離變換對波段降維，接著通過LBP算子提取遙感影像豐富的紋理特
7、征，然后采用徑向基函數(shù)作為核函數(shù)，構(gòu)建KELM分類器。最后，將該方法應(yīng)用于遙感影像土地分類中，結(jié)果表明LBP-KELM在分類應(yīng)用中取得了良好的效果，分類精度高，耗時少，且遙感影像分類圖相比（1）中基于集成學(xué)習(xí)的ELM分類圖要更平滑，麻點顯著減少，但分類結(jié)果易受遙感數(shù)據(jù)類型的影響。I摘要（3）結(jié)合深度學(xué)習(xí)這一前沿理論，為了充分利用深度學(xué)習(xí)算法和ELM算法的各自優(yōu)勢，設(shè)計實現(xiàn)了能夠適用于多種數(shù)據(jù)集分類的基于CNN-ELM的高光譜遙感影像分類模型，利用CNN的卷積層和子采樣層交替連接構(gòu)造深度特征提取層，ELM
8、構(gòu)造分類層完成最終地物類別判定，并在當前熱門的深度學(xué)習(xí)框架Keras上予以實現(xiàn)。最后，通過實驗驗證了該分類模型的有效性以及在分類精度上具有的優(yōu)勢。綜上所述，本文提出的三種ELM遙感影像分類優(yōu)化方法均通過實驗驗證了其有效性，并在保證ELM算法在分類效率和速度方面優(yōu)勢的同時，進一步提高了高光譜遙感影像土地利用分類的精度，改善了分類效果，增強了分類方法的穩(wěn)定性和魯棒性。關(guān)鍵詞：高光譜遙感，ELM，集成學(xué)習(xí)，LBP，深度學(xué)習(xí)IIABSTRACTAB
