稀疏表达模型在高光谱遥感影像目标探测中的应用

为了更好地利用高光谱影像的空间和光谱信息,提出了一种基于稀疏表达模型的高光谱遥感影像目标探测方法.首先通过对影像训练样本进行训练提取过完备字典,利用稀疏表达模型对遥感影像稀疏表达既达到降维的目的,又可以表示出遥感影像的主要信息;然后利用传统的目标探测器结合目标已知光谱信息对高光谱遥感影像进行目标探测,即基于稀疏表达模型的高光谱遥感影像目标探测(SRM-TD).3种影像数据的实验结果表明:在确定的迭代次数下,通过设置稀疏度L可以得到最优的探测结果.提出的探测方法在参数设置、选择和运行结果上优于传统的高光谱遥感影像目标探测方法.     

改进核空间对称稀疏表达用于高光谱波段选择

提出改进核空间对称稀疏表达（IKSSR）降维方法来解决高光谱影像（HSI）的波段选择问题.该方法利用核函数方法和稀疏系数的二值约束条件改进对称稀疏表达模型,在映射得到的核空间构建包含所有波段向量对应的数据点的凸包,通过寻找最小凸包的原型点实现波段子集的优化选择.改进核空间对称稀疏表达方法采用矢量量化策略初始化波段子集,利用块坐标下降方法将非凸问题转换为凸目标函数优化问题,实现目标波段子集选取.基于两个公开高光谱数据集,对该方法和4种主流的波段选择方法进行实验比较研究.实验结果表明,利用改进核空间的对称稀疏表达方法得到的总体分类精度优于对称稀疏表达模型和其他3种方法.     

基于深度学习的大规模语义文本重叠区域检索

针对传统文本重叠区域检索方法存在精确性和查全性差的问题,提出了基于深度学习的大规模语义文本重叠区域检索方法。结合稀疏自动编码器与深度置信网络构建了混合模型,依据混合模型设计并构建了文本分类器,该分类器主要组成部分为文本预处理、特征学习、分类检索。针对文本集合中文本实行去噪、分词和去停止词等一系列预处理。最后,采用Softmax回归实现文本分类,将学习得到的文本特征当作分类器的输入得到文本重叠区域分类检索结果。经实验验证可知:该方法查准率与查全率均较高,表现出了可靠性与鲁棒性。     

融合谱-空域信息的DBM高光谱图像分类方法

在高光谱图像分类问题中,提取能够有效表达地物特征的信息是分类方法中的关键问题。为了提高高光谱图像分类精度,提出一种基于深度玻尔兹曼机的高光谱图像分类方法。该方法首先对高光谱图像数据进行主成分分析法白化处理,并提取像元的空域信息,与像元光谱信息组成综合的谱-空域信息;然后通过多层深度玻尔兹曼机模型从像元的谱-空域信息中提取深层次类别特征;最后通过逻辑回归模型对所提取特征进行分类。这种深度玻尔兹曼机模型能够利用数据的先验知识对高维数据进行特征提取,并且所提取的特征内在地表示了地物的空间结构和光谱特征。实验结果表明,这种方法能够有效地提高高光谱图像的分类精度。     

基于深度卷积神经网络的高光谱遥感图像分类

传统的高瀑布图像分类模型只考虑光谱特征信息,忽略了图像空间结构信息在分类中的重要作用。为提高高光谱遥感图像的分类精度,提出一种同时利用高瀑布图像的光谱信息和空间信息的深度卷积神经网络分类模型。通过对低层特征自动分层地学习来提取更加抽象的高层特征,提取的特征具有平移、缩放及其他形式扭曲等高度不变性;基于学习到的深度特征,用logistic回归分类器进行分类训练。高光谱数据实验结果表明,深度卷积神经网络模型能够提高高光谱遥感图像的分类精度,从而验证了深度卷积神经网络进行高瀑布图像分类的可行性和有效性。     

基于改进的TFIDF和压缩自动编码器文本分类研究

为了提高文本分类的分类效果和降低分类的错误率,本文将深度学习中的压缩自动编码器逐层叠加,提出基于改进的TFIDF和堆叠的压缩自动编码器SCAE(Stack Contractive Auto-Encoder)的文本分类思想,将SCAE构成深度神经网络,无监督的训练学习文本,提高特征提取的鲁棒性,并使用反向传播算法优化网络中的参数,在计算特征词的权重时,采用本文改进的TFIDF方法。通过实验将CAE和SAE(稀疏自动编码器)进行比较,采用支持向量机(SVM)分类。实验表明,单层的CAE比单层的SAE的分类性能更好,堆叠压缩编码器学习比堆叠的稀疏编码器的分类性能同样要好。     

结合降噪自编码与极限学习机的LTE上行干扰分析

针对长期演进LTE网络上行干扰分类模型中噪声敏感、训练时间长的问题,建立了结合堆栈降噪自编码器与极限学习机的LTE网络上行干扰分析模型。使用上行干扰原始数据无监督地预训练堆栈降噪自编码(SDAE)提取高层抽象特征,并为极限学习机(ELM)分类器提供初始参数。该模型发挥了ELM收敛快和SDAE抑制噪声的优势,同时克服了ELM参数随机赋值造成的鲁棒性不足的问题。实验结果表明,该模型提高了LTE网络上行干扰分析的效率,并具有较强的鲁棒性。     

一种基于超限稀疏多项逻辑回归和奇异谱分析的高光谱遥感影像分类方法

由于高光谱图像存在大量噪声,超限稀疏多项逻辑回归无法分析高光谱图像的内在结构,其适用性有待进一步提高,为解决超限稀疏多项逻辑回归不能有效应对噪声的问题,提出了一种基于超限稀疏多项逻辑回归和奇异谱分析的高光谱遥感影像分类方法：首先对高光谱遥感影像数据集进行归一化处理以消除数据量纲的影响,随后利用奇异谱分析对影像进行有效信息提取及噪声剔除,最后通过超限稀疏多项式逻辑回归对处理过的数据实现分类。采用多种不同数量的训练样本进行实验,并与 ３种常用分类算法进行对比分析,评价了本文方法的有效性和鲁棒性。结果显示,本文方法在各类训练样本情况下相比于其他分类方法,其总体分类精度皆有一定程度的提升。     

基于多线性稀疏主成分的高光谱影像特征提取

高光谱影像特征提取有助于提高高光谱数据的应用效率和精度。针对基于向量的特征提取算法无法充分利用高光谱影像立方体空间结构信息这一缺点,本文提出在所有张量模式中执行稀疏降维的多线性稀疏主成分分析(MSPCA)算法,以中国嘉兴典型村庄和美国内华达州Curprite矿区高光谱影像为原始数据,运用主成分分析(PCA)、空间主成分分析(SPCA)和多线性判别分析(MPCA)3种特征提取方法对比分析所提算法特征提取后的分类精度。结果表明,利用MSPCA进行特征提取得到的分类精度均优于其他方法,在两个试验区的总体分类精度分别达到96.36%和95.00%。     

基于深度学习的放置方式和位置无关运动识别

针对传统基于加速度传感器的运动识别方法依赖于传感设备的放置方式和位置的问题,提出一种基于深度学习的运动识别方法,且与放置方式和位置无关.使用栈式自动编码器构建深度网络,结合逐层无监督学习和全局有监督微调的方式,快速、有效地学习出原始数据的深层特征.设计不同放置方式和不同设备放置位置的学习策略,并利用所学特征对不同设备放置方式和位置下的运动进行识别.实验结果表明:基于深度学习的方法可以从原始数据中提取出与放置方式和位置无关的深度特征,相比传统方法,能够有效提高在非固定加速度传感设备放置方式和位置下的运动识别准确率.     

基于深度学习编码模型的图像分类方法

针对矢量量化编码的量化误差严重,而稀疏编码只是一种浅层学习模型,容易导致视觉词典对图像特征缺乏选择性的问题,提出了一种基于深度学习特征编码模型的图像分类方法。首先,采用深度学习网络无监督的受限玻尔兹曼机（RBM）代替传统的K-Means聚类及稀疏编码等方法对SIFT特征库进行编码学习,生成视觉词典;其次,对RBM编码添加正则化项分解组合每个特征的稀疏表示,使得生成的视觉单词兼具稀疏性和选择性;然后,利用训练数据的类别标签信息有监督地自上而下对得到的初始视觉词典进行微调,得到图像深度学习表示向量,以此训练SVM分类器并完成图像分类。实验结果表明,本文方法能有效克服传统矢量量化编码及稀疏编码等方法的缺点,有效地提升图像分类性能。     

基于信息融合的超谱图象分类方法研究

针对高数据维给超谱图象有效信息提取和分类造成的困难，引入了自适应子空间分解方法进行数据源的划分，并在此基础上进行了基于信息融合的超谱图象分类研究，在根据超谱数据本身特点获得的子窨上进行信息融合，有利于分类特征的集中和提取，实验结果表明，利用自适应子空间分解方法划分数据源是有效的，基于小波变换的特征层融合和基于意见一致性理论的决策层融合适合超谱图象的分类。     

Active label-denoising algorithm based on broad learning for annotation of machine health status

Deep learning has led to tremendous success in machine maintenance and fault diagnosis. However, this success is predicated on the correctly annotated datasets. Labels in large industrial datasets can be noisy and thus degrade the performance of fault diagnosis models. The emerging concept of broad learning shows the potential to address the label noise problem. Compared with existing deep learning algorithms, broad learning has a simple architecture and high training efficiency. An active label denoising algorithm based on broad learning (ALDBL) is proposed. First, ALDBL captures the embedded representation from the time-frequency features by a recurrent memory cell. Second, it augments wide features with a sparse autoencoder and projects the sparse features into an orthogonal space. A proposed corrector then iteratively changes the weights of source examples during the training and corrects the labels by using a label adaptation matrix. Finally, ALDBL finetunes the model parameters with actively sampled target data with reliable pseudo labels. The performance of ALDBL is validated with three benchmark datasets, including 30 label denoising tasks. Computational results demonstrate the effectiveness and advantages of the proposed algorithm over the other label denoising algorithms.

     

基于深度学习特征融合的遥感图像场景分类应用

针对传统手工特征方法无法有效提取整体图像深层信息的问题,本文提出一种基于深度学习特征融合的场景分类新方法.利用灰度共生矩阵（GLCM）和局部二值模式（LBP）提取具有相关空间特性的纹理特征和局部纹理特征的浅层信息;通过基于AlexNet迁移学习网络提取图像的深层信息,在去除最后一层全连接层的同时加入一层256维的全连接层作为特征输出;将两种特征进行自适应融合,最终输入到网格搜索算法优化的支持向量机（GS-SVM）中对遥感图像进行场景分类识别.在公开数据集UC Merced的21类目标数据和RSSCN7的7类目标数据的实验结果表明,5次实验的平均准确率分别达94.77%和93.79%.该方法可有效提升遥感图像场景的分类精度.     

基于提升算法的超谱遥感图像融合分类研究

超谱遥感技术的发展对遥感图像处理算法提出了新的挑战,超谱遥感图像所特有的高光谱维数,使适用于多光谱图像的算法不适合直接用于超谱图像.利用数据融合技术可以将超谱图像从高维降到低维,因而有利于图像的分析和处理.提升算法是构造第2代小波的关键技术,该文研究了其用于超谱遥感图像融合分类的可行性,利用提升算法将第1代小波改造成第2代小波,并对标准的AVIRIS超谱遥感图像实现图像融合,在融合的同时,提取图像的光谱特征用于分类,在相同的实验标准下在像素层和特征层上分别对图像进行了第2代小波融合分类,并用分类精度对实验结果进行了客观的评价.实验结果表明,以提升算法构造的特征层小波融合分类比像素层分类精度提高了7.78%.     

自适应控制深度学习和知识挖掘图像分类

针对传统分类方法的局限性,提出了一种深度学习结合知识挖掘的零样本图像自适应控制图像分类算法.利用对图像属性的深度学习来实现图像深层次特征及属性的学习和预测,基于图像的属性-类别映射使分类器性能有较大差异,通过稀疏表示模型挖掘图像类别和属性之间的关系并设计自适应控制的属性分类器实现对图像的分类操作.结果表明,与DBN和SVM算法相比,在监督模式和零样本模式下,该算法具有较高的属性预测准确度.在零样本情况下对Shoes数据集进行分类时,该算法具有最高的准确分类识别率,比其他算法的分类识别率提高了15%.     

基于深度学习的变压器图像识别系统

针对变压器型号多、图像复杂,以及传统基于机器学习的人工设计特征的方法不能对大规模变压器图像准确分类等问题提出了基于深度学习的变压器图像识别系统直接对原始图像进行"端对端"的学习。为实现变压器图像的准确分类,提出了改进VGG-16卷积神经网络的变压器图像识别模型。在VGG-16模型的基础上,重新构建了全连接层,针对原有的SoftMax分类器,采用3标签的SoftMax分类器进行替换,以实现网络结构优化,并通过迁移学习共享V GG-16模型卷积层和降采样层的权值参数。通过构建变压器图像的训练集和测试集对改进模型进行了训练,并进行性能测试。结果表明,与深度神经网络、卷积神经网络模型相比,改进VGG-16模型具有更好的效果,识别误差达到了9.17%,并实现了对3种变压器的准确区分。