[发明专利]基于在线序列极限学习机的极化SAR图像分类方法

权利要求书

1.一种基于在线序列极限学习机的极化SAR图像分类方法，包括如下步骤：

(1)输入待分类极化SAR图像标记信息，输入一幅大小为3×3×M的待分类极化SAR图像的相干矩阵，并用Lee滤波器滤除相干噪声，得到滤波后的相干矩阵，其中，滤波后的相干矩阵中每个元素是一个3×3矩阵，M表示待分类的极化SAR图像像素点的总数；

(2)将滤波后相干矩阵中每个元素对应的3×3矩阵，拉成一个9维的特征向量，获得大小为9×M的数据矩阵；

(3)将数据矩阵进行归一化处理，获得数据集其中n＝9为特征的维数，x_i为特征向量；

(4)从数据集中分别获得测试集N_p，初始训练集和在线训练集

(4a)根据标记信息从数据集中获得标记集

其中m为类别总数，N为标记样本的总数，t_i为类别向量；

(4b)将标记集随机选取90％作为测试集：剩余10％作为训练集，其中N_p为测试集的样本个数；

(4c)将训练集等分成5份，即1份为初始训练集和4份在线训练集

k为在线学习迭代标志，k＝0,1,2,3。

其中N₀为初始训练集的样本个数，N_k+1为在线训练集的样本个数；

(5)设置极限学习机隐藏层节点的激活函数为G(a,b,x)＝exp(-b||x-a||²)，隐含层单元个数为L，且N₀＞L，随机设置输入权值a_j和偏值b_j,j＝1,...,L；

(6)用初始训练集进行初始阶段的学习，获得输出权值为β⁰和中间参数P₀，设置初始在线学习迭代标志k＝0；

(7)将数据集输入到训练好的初始阶段极限学习机中，获得初始阶段数据集的分类结果为Y₀：

(7a)输入数据集计算隐藏层输出矩阵为Q，

Q=G(a1,b1,x1)...G(aj,bj,x1)...G(aL,bL,x1)···......···G(a1,b1,xi)...G(aj,bj,xi)...G(aL,bL,xi)···......···G(a1,b1,xM)...G(aj,bj,xM)...G(aL,bL,xM)M×L;]]>

(7b)根据输出权值β⁰和输出矩阵Q，计算初始阶段数据集的分类结果为Y₀＝Qβ⁰；

(8)用在线训练集进行在线阶段的学习，获得在线阶段的分类结果为Y_k+1：

(8a)输入在线训练集计算隐藏层的输出矩阵为H_k+1，

Hk+1=G(a1,b1,x(Σj=0kNj)+1)...G(aj,bj,x(Σj=0kNj)+1)...G(aL,bL,x(Σj=0kNj)+1)···......···G(a1,b1,xi)...G(aj,bj,xi)...G(aL,bL,xi)···......···G(a1,b1,xΣj=0k+1Nj)...G(aj,bj,xΣj=0k+1Nj)...G(aL,bL,xΣj=0k+1Nj)Nk+1×L;]]>

(8b)计算在线学习阶段的输出权值β(k+1)=β(k)-Pk+1Hk+1T(Tk+1-Hk+1β(k)),]]>

其中Pk+1=Pk-PkHk+1T(I+Hk+1PkHk+1T)-1Hk+1Pk,]]>右上标^T为转置运算，右上标^-1为矩阵求逆运算；

(8c)根据输出权值β^(k+1)和输出矩阵Q，计算数据集的在线阶段的分类结果为Y_k+1＝Qβ^(k+1)；

(8d)设置在线学习迭代标志k＝k+1，返回步骤(8a)中循环，直到满足结束条件k＝4时结束。