資源描述：
《基于機(jī)器學(xué)習(xí)的森林多源遙感數(shù)據(jù)分析方法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、：分類(lèi)號(hào)：密級(jí)ＵＤＣ：編號(hào)：工學(xué)博士學(xué)位論文基于機(jī)器學(xué)習(xí)的森林多源遙感數(shù)據(jù)分析方法研究博士研究生：李威指導(dǎo)教師：趙春暉教授學(xué)科、專(zhuān)業(yè)：信息與通信工程哈爾濱工程大學(xué)２０１８年６月分類(lèi)號(hào)：______密級(jí)：______UDC：______編號(hào)：______工學(xué)博士學(xué)位論文基于機(jī)器學(xué)習(xí)的森林多源遙感數(shù)據(jù)分析方法研究博士研究生：李威指導(dǎo)教師：趙春暉教授學(xué)位級(jí)別：工學(xué)博士學(xué)科、專(zhuān)業(yè)：信息與通信工程所在單位：信息與通信工程學(xué)院論文提交日期：2018年3月論文答辯日期：2018年3月授予
2、學(xué)位單位：哈爾濱工程大學(xué)ClassifiedIndex:U.D.C:ADissertationfortheDegreeofD.EngResearchonForestRemoteSensingDataAnalysisMethodologybasedonMachineLearningCandidate:WeiLISupervisor:Prof.ChunhuiZhaoAcademicDegreeAppliedfor:DoctorofEngineeringSpecialty:InformationandCommunicati
3、onEngineeringDateofSubmission:Mar.2018DateofOralExamination:Mar.2018University:HarbinEngineeringUniversity基于機(jī)器學(xué)習(xí)的森林多源遙感數(shù)據(jù)分析方法研究摘要隨著遙感技術(shù)的快速發(fā)展，用于處理和分析多源遙感數(shù)據(jù)的技術(shù)和手段也在逐漸增加。高光譜圖像(Hyperspectralimagery,HSI)、激光檢測(cè)與測(cè)量?jī)x器數(shù)據(jù)(Lightdetectionandranging,LIDAR)及無(wú)人機(jī)采集的高分辨率多光譜數(shù)據(jù)(Un
4、mannedaerialsystemsderivedmulti-spectralimagery,UAS_MSI)構(gòu)成的多源數(shù)據(jù)體系為獲取森林相關(guān)信息提供了途徑。詳細(xì)講，高光譜圖像包含豐富的光譜信息，可用于森林的分類(lèi)問(wèn)題。激光檢測(cè)與測(cè)量?jī)x器數(shù)據(jù)用于提供森林的結(jié)構(gòu)信息(如樹(shù)高等)?；跓o(wú)人機(jī)采集的高分辨率多光譜數(shù)據(jù)為分析森林中植被的相對(duì)覆蓋面積提供了可能。但是，森林中地物的分布復(fù)雜，并且可用于分析森林的監(jiān)督信息較難獲得。為了檢測(cè)森林的范圍，繪制森林中植物的相對(duì)覆蓋面積，本文提出了引入兩種先進(jìn)的機(jī)器學(xué)習(xí)算法(多任務(wù)學(xué)習(xí)算法
5、(Multi-tasklearning,MTL)及深度學(xué)習(xí)算法(Deeplearning,DL))對(duì)森林進(jìn)行定量分析。本文的研究?jī)?nèi)容如下：首先，稀疏表示算法(Sparserepresentation,SR)利用l0，l1范數(shù)對(duì)任務(wù)進(jìn)行處理，這種算法沒(méi)有考慮各個(gè)任務(wù)之間特定的域信息(domaininformation)。為了在監(jiān)督樣本較少的情況下，充分利用監(jiān)督信息包含的特定的域信息，提高算法的檢測(cè)效果，本文提出了一種基于空-譜支持流形式的多任務(wù)學(xué)習(xí)目標(biāo)檢測(cè)算法(ICRTD_MTL)。ICRTD_MTL算法包含兩個(gè)部分：
6、(1)多特征學(xué)習(xí)(Multi-featurelearning,MFL)，即提取來(lái)自于高光譜圖像不同特征構(gòu)成的張量(如，光譜值特征(SVF)、光譜梯度特征(SGF)及光譜紋理特征(TF)等)。(2)多任務(wù)學(xué)習(xí)(MTL)，即假設(shè)高光譜圖像各個(gè)特征對(duì)后續(xù)任務(wù)處理具有特定貢獻(xiàn)的條件下，利用同時(shí)優(yōu)化權(quán)重的目標(biāo)函數(shù)求解聯(lián)合表示向量。然后利用聯(lián)合表示向量中權(quán)重向量的位置檢測(cè)中期森林像元。最終利用像元的空間-光譜相關(guān)性，提升檢測(cè)器的檢測(cè)效果。ICRTD_MTL的優(yōu)點(diǎn)在于：(1)保證了未知像元不同特征的稀疏(Sparsity)的穩(wěn)定性
7、；(2)在一個(gè)小領(lǐng)域的像元能夠共享共同的低秩(Lowrank)子空間。通過(guò)AVIRIS及HyMap高光譜圖像的實(shí)驗(yàn)結(jié)果證明算法的性能，并利用ICRTD_MTL實(shí)現(xiàn)了對(duì)中期森林范圍的檢測(cè)。其次，基于流形式的多任務(wù)學(xué)習(xí)目標(biāo)檢測(cè)算法(CRTD_MTL)通過(guò)l正則項(xiàng)尋找不2,1同任務(wù)之間的關(guān)聯(lián)，并利用關(guān)聯(lián)信息的共享機(jī)制實(shí)現(xiàn)多任務(wù)學(xué)習(xí)。這種基于流共享方式的缺點(diǎn)在于：(1)l正則項(xiàng)的參數(shù)選擇過(guò)程較為復(fù)雜。(2)沒(méi)有利用過(guò)完備字典所提2,1供的先驗(yàn)知識(shí)對(duì)求解聯(lián)合表示系數(shù)矩陣的稀疏及低秩過(guò)程進(jìn)行優(yōu)化。針對(duì)上述問(wèn)題，I哈爾濱工程大學(xué)博
8、士學(xué)位論文文中提出了一種基于概率圖的多任務(wù)學(xué)習(xí)目標(biāo)檢測(cè)算法(MTL_NFF)，即在多任務(wù)學(xué)習(xí)(MTL)框架內(nèi)，根據(jù)貝葉斯法則，利用最大后驗(yàn)概率(MaximumA-posterior,MAP)及奇異值分解(Singularvaluedecomposition,SVD)構(gòu)成的概率圖優(yōu)化多任務(wù)學(xué)習(xí)中各個(gè)節(jié)點(diǎn)的聯(lián)合表示系數(shù)的求解過(guò)程。MTL_NFF通過(guò)
