基于深度支持向量機的極化SAR圖像分類.pdf

1、極化合成孔徑雷達(Polarimetric Synthetic Aperture Radar，PolSAR)由于能夠提供更多豐富的目標散射信息，近年來成為遙感領域的新熱點。其地物分類問題作為極化SAR圖像解譯的重要研究內容和關鍵技術，在民用和軍事領域具有重大的理論意義和應用價值。支持向量機(Support Vector Machine，SVM)是統(tǒng)計學中一種有效的監(jiān)督分類方法，目前已廣泛應用于多個領域，該方法在機器學習領域受到了重視和長

2、足的發(fā)展。本文采用SVM算法對極化SAR地物分類問題進行研究，所取得的主要研究成果為：
　　1.本文著重研究了支持向量機算法中的最小二乘支持向量機(LSSVM)算法，考慮到在利用 LSSVM模型解決分類問題時，采用傳統(tǒng)的求解算法有如下弊端：計算復雜度高、求出的解不稀疏，模型受樣本噪聲的影響較大的問題，本文將模糊支持向量機與LSSVM的稀疏求解算法相結合，提出了模糊稀疏LSSVM算法，考慮到模糊隸屬度對模糊LSSVM的重要性，本文采

3、取了兩種基于樣本到所屬類別類中心距的計算方法來度量模糊隸屬度，即基于歐式距離的度量方法和基于核距離的度量方法。并將提出的算法對極化SAR數據進行分類，從分類結果和對比實驗上看，提出的算法性能更強。
　　2.對LSSVM的核函數進行了研究。由于在求解非線性分類問題時，首要的任務是選擇符合條件的核函數，將樣本映射到高維空間，從而實現(xiàn)高維空間線性可分，因而核函數的選取是關鍵。常用的核函數為徑向基核函數，但其在擬合較為復雜的函數時，得到的

4、效果并不十分滿意，本文首先分析了支持向量機核函數的條件，然后將稀疏LSSVM分類器的核函數改為了符合核函數條件的Morlet小波核函數，提出了一種小波核稀疏LSSVM算法，經過對極化SAR數據分類的對比實驗證明，Morlet小波核稀疏LSSVM模型對極化SAR數據的分類精度更高。
　　3.對提出的小波核稀疏LSSVM算法進行擴展。將該算法與深度 SVM的網絡架構相結合，提出了一種深度小波核稀疏LSSVM模型，模型主要設計了2個隱層