層次流形學(xué)習(xí)及其在監(jiān)督分類中的應(yīng)用.pdf

1、隨著高分辨率遙感衛(wèi)星QuickBird、IKONOS等數(shù)據(jù)廣泛的應(yīng)用以及近年來我國“高分一號”與“高分二號”衛(wèi)星的陸續(xù)成功發(fā)射，對地觀測已進入了全新的高分辨率時代。高分辨率遙感影像應(yīng)用需求不斷增加，對高分辨率遙感影像處理能力的要求也日益提高。然而，目前高分辨率遙感影像處理的自動化程度偏低，需要解決高分辨率遙感影像自動分類中的一些關(guān)鍵技術(shù)問題，對于充分發(fā)揮高分辨率遙感影像數(shù)據(jù)的應(yīng)用效能具有重要的應(yīng)用價值。
　　面向?qū)ο髨D像分類已經(jīng)成

2、為高分辨率遙感影像處理中最重要的方法之一。為了充分利用高分辨率遙感影像精細的紋理結(jié)構(gòu)信息，往往提取光譜、形狀、紋理結(jié)構(gòu)等各種特征表達影像對象，在面向?qū)ο蠓诸愔?，這將引起特征維數(shù)偏高，容易出現(xiàn)維數(shù)災(zāi)難，對高維特征進行降維是解決問題的一個切實可行的途徑。因此，在面向?qū)ο蟾叻直媛蔬b感影像監(jiān)督分類中，影像對象的高維特征降維問題將是本文需要深入研究解決的一個關(guān)鍵技術(shù)問題。
　　在過去的10多年時間里降維已經(jīng)在機器學(xué)習(xí)和模式識別領(lǐng)域受到越來越

3、多的關(guān)注。線性降維方法無法發(fā)現(xiàn)非線性流形上高維數(shù)據(jù)的內(nèi)蘊結(jié)構(gòu)。流形學(xué)習(xí)是最有代表性的非線性降維方法之一，已經(jīng)在信息處理領(lǐng)域中獲得很多成功的應(yīng)用，然而當(dāng)流形學(xué)習(xí)用于監(jiān)督分類尤其是層次分類時，效果并不理想。為了解決這一問題，本文提出了層次流形學(xué)習(xí)，在降維過程中通過提取共享特征來表達父流形的信息，并且通過廣義回歸神經(jīng)網(wǎng)絡(luò)以較低的計算代價解決流形學(xué)習(xí)中的樣本外點學(xué)習(xí)問題，并將提出的層次流形學(xué)習(xí)應(yīng)用于高分辨率遙感影像監(jiān)督分類，與其它流形學(xué)習(xí)方法相

4、比，取得了更好的分類性能。
　　本文的工作與主要創(chuàng)新點概括如下：
　　(1)當(dāng)前絕大多數(shù)的流形學(xué)習(xí)方法假定所有的高維數(shù)據(jù)點位于只有一層結(jié)構(gòu)的單個流形上，而多流形學(xué)習(xí)的研究缺乏層次性，這些方法難以高效處理多級分類問題。為此，本文給出“子流形”與“父流形”的概念，并在此基礎(chǔ)上，提出層次流形學(xué)習(xí)。這樣的學(xué)習(xí)算法可同時利用樣本的類內(nèi)局部幾何結(jié)構(gòu)信息和類間的標(biāo)簽信息,根據(jù)給定的訓(xùn)練樣本以自下而上的方式構(gòu)造層次流形，然后用計算得到的最優(yōu)

5、非線性映射函數(shù)進行降維，得到的低維嵌入更有利于分類。
　　(2)絕大多數(shù)的流形學(xué)習(xí)算法都是無監(jiān)督學(xué)習(xí)，流形學(xué)習(xí)用于監(jiān)督學(xué)習(xí)時，還存在樣本外點學(xué)習(xí)問題，目前還沒有找到一種簡單而又有效的方法來處理樣本外點學(xué)習(xí)問題。論文中提出用廣義回歸神經(jīng)網(wǎng)絡(luò)來解決當(dāng)流形學(xué)習(xí)用于監(jiān)督分類時樣本外點學(xué)習(xí)這一問題，其中，平滑因子和閾值這兩個重要參數(shù)的取值對廣義回歸神經(jīng)網(wǎng)絡(luò)的性能有較大的影響。
　　(3)在構(gòu)建本文提出的層次流形學(xué)習(xí)中，需要研究如何以自

6、下而上的方式利用子類樣本特征中表達父流形問題。為此，文中提出了共享特征概念來描述父流形。現(xiàn)有的基于AdaBoost的共享特征提取方法存在很多不足，論文中提出一種基于特征映射的共享特征提取方法，算法的核心是計算廣義瑞麗商，提取得到的共享特征可以用來表達父流形的共性特征，并用于構(gòu)造父流形。
　　(4)根據(jù)上面的方法的研究，利用國際上廣泛采用的21類高分辨率遙感數(shù)據(jù)集以及上海市區(qū)SPOT5衛(wèi)星遙感影像數(shù)據(jù)進行監(jiān)督的土地利用分類，與LDA