版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領
文檔簡介
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
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于深度置信網(wǎng)的極化SAR圖像分類.pdf
- 基于深度神經(jīng)網(wǎng)絡與稀疏學習的極化SAR圖像分類.pdf
- 基于深度支持向量機的極化SAR圖像分類.pdf
- 基于稀疏編碼字典和深度學習的極化SAR影像地物分類.pdf
- 基于深度RPCA網(wǎng)絡的極化SAR影像地物分類.pdf
- 基于稀疏學習和深度極限學習機的極化SAR圖像半監(jiān)督分類.pdf
- 基于深度ICA網(wǎng)絡的極化SAR影像地物分類方法研究.pdf
- 面向極化SAR地物分類的稀疏深度網(wǎng)絡.pdf
- 基于深度學習的干涉SAR圖像分類.pdf
- 基于半監(jiān)督學習的極化SAR地物分類.pdf
- 基于極化分解的極化SAR圖像分類.pdf
- 基于深度脊波神經(jīng)網(wǎng)絡的極化SAR影像地物分類.pdf
- 基于MPCA和多層特征學習的極化SAR圖像分類.pdf
- 基于深度SVM和深度小波神經(jīng)網(wǎng)絡的極化SAR影像地物分類.pdf
- 基于集成學習和特征選擇的極化SAR地物分類.pdf
- 基于Freeman分解的極化SAR圖像分類研究.pdf
- 基于CNN特征學習和SVM的極化SAR影像地物分類.pdf
- 基于目標分解與機器學習的極化SAR圖像地物分類.pdf
- 極化SAR圖像分類研究.pdf
- 基于特征統(tǒng)計的極化SAR圖像分類.pdf
評論
0/150
提交評論