基于深度學習的極化SAR分類研究.pdf

1、極化合成孔徑雷達(Polarimetric Synthetic Aperture Radar，簡稱極化SAR)是目前遙感領域較為先進的傳感系統(tǒng)之一。因為采用了多通道獲取數(shù)據(jù)并成像，所以極化SAR數(shù)據(jù)包含了更豐富的極化信息，包含了更多的地物信息和特征，基于極化SAR數(shù)據(jù)地物分類問題的研究也一直是雷達圖像理解與處理領域的研究重點。近年來，深度學習在機器學習領域引起廣泛重視，并在工業(yè)界和學術界取得了令人振奮的成果。本文的主要工作是研究基于深度

2、學習的極化SAR圖像分類方法，以深度信念網(wǎng)絡模型為基礎，將其應用于極化SAR地物分類，結合極化SAR數(shù)據(jù)的統(tǒng)計分布特性提出了改進的極化SAR地物分類方法。主要工作如下：
　　1．研究了深度學習方法中的深度信念網(wǎng)絡（DBN），深入討論了DBN的基本構成和原理。著重對其基本構成單元受限制玻爾茲曼機（RBM）進行分析，并將其擴展應用到了極化SAR數(shù)據(jù)的分類上。引入高斯限制玻爾茲曼機（GRBM），實現(xiàn)了基于GRBM的極化SAR地物分類算法

3、，并通過實驗分析了算法的性能，驗證了在算法模型在極化SAR數(shù)據(jù)地物分類問題的有效性；
　　2．在對RBM的原理深入分析的基礎上，結合極化SAR的統(tǒng)計分布特性，將更能表征極化 SAR數(shù)據(jù)特性的Wishart分布引入 RBM，對 RBM進行改進，提出了Wisahrt RBM（WRBM），通過實驗驗證了WRBM能夠有效學習極化SAR數(shù)據(jù)的特性，并且在地物分類正確率和分類效果達到優(yōu)于GRBM和SVM的分類結果；
　　3．針對DBN模