[发明专利]一种基于超限学习机的高光谱遥感图像地物分类方法

权利要求书

1.一种基于超限学习机的高光谱遥感图像地物分类方法，其特征在于，包括如下步骤：

步骤1、搜集高光谱影像数据样本，经过预处理，形成训练集；其中，训练集包括目标的光谱信息、空间信息以及目标的类别标识；

步骤2、将超限学习机网络模型的特征提取层设置成两个通道，分别接收步骤1得到的光谱信息和空间信息，并分别进行训练，最后得到两个通道的输出，即空间特征Spat_proj与光谱特征Spet_proj：

其中，针对光谱信息和空间信息中的任意一种，特征提取层的训练过程为：光谱信息或者空间信息定义为输入数据T，将输入数据T进行随机非线性映射，获得特征提取层的网络隐层节点输出h(T)：

h(T)＝[g₁(T),....,g_L(T)]

g_i(T)＝g(ω_iT+b_i),i＝1,2,……L

上式中g_i(T)为第i个隐层节点输出，L为隐层节点的数量；第i个隐层节点的权重ω_i与偏置b_i均随机产生，选择sigmoid函数为隐层节点的激活函数g(ω_iT+b_i)；

当训练集的样本数为N时，整个特征提取的过程看作解决如下形式的学习问题：

Hβ＝T

上式中H＝[h₁^T(T),....h^T_N(T)]^T，表示所有样本对应的隐层节点输出矩阵，则网络输出权重β即为特征提取层的待求参数；该网络待求参数通过优化如下代价函数获得：

上式中λ为衡量训练误差与l₁正则项间的平衡权值，在实际应用过程中遍历有限候选值，选择使模型性能最佳的为最优值；

根据代价函数得到网络输出权重β的解β_AE，则输入数据的特征表示即为输入数据在特征基β_AE上的投影，由下式表示：

根据式(1)得到空间特征Spat_proj与光谱特征Spet_proj；

步骤3、将步骤2得到的空间特征Spat_proj与光谱特征Spet_proj进行级联，形成超限学习机网络模型的融合层初始输入数据[Spet_proj,Spat_proj]；采取同步骤二的方法训练所述融合层的网络参数，进而获得所述融合层的输出，即为空谱联合特征；

步骤4、将步骤3获得的空谱联合特征输入至超限学习机网络模型的分类决策层，结合步骤1的待识别目标的类别标识进行有监督训练，得到分类决策层网络参数，由此，获得训练好的超限学习机网络模型；

步骤5、获得待识别目标的光谱信息与空间信息，并送入训练好的超限学习机网络模型中，实现样本的目标类别辨识结果。

2.如权利要求1所述的一种基于超限学习机的高光谱遥感图像地物分类方法，其特征在于，所述步骤2中，网络输出权重β的解β_AE的具体求解算法由FISTA实现。

3.如权利要求1所述的一种基于超限学习机的高光谱遥感图像地物分类方法，其特征在于，所述步骤4的具体方法为：首先随机初始化分类决策层的隐层节点权重ω与偏置b，然后计算分类决策层的隐层节点输出矩阵H₀，最后优化输出权重，以使得训练误差最小，即：

表示范数算子，令上式中σ＝u＝2，则得到如下解析解：

上式中T₀＝[t₁,t₂,...,t_N]^T为地物目标的类别标识，β₀即为分类决策层的网络参数。

4.如权利要求3所述的一种基于超限学习机的高光谱遥感图像地物分类方法，其特征在于，将新的训练样本集与原有样本集整合成当前样本集，预处理获得当前样本集的光谱信息、空间信息以及待识别目标的类别标识；分别采用步骤2和3的方法，获得当前样本集下的空谱联合特征，并输入至超限学习机网络模型的分类决策层，按照步骤4的方法，根据当前样本集的类别标识进行有监督训练，得到更新后的分类决策层网络参数，并进行目标类别辨识；

其中，分类决策层网络参数的更新方程为：其中，T_k+1表示当前训练集对应的类别标识，I为单位矩阵；H_k+1为当前训练集对应的分类决策层隐层节点输出矩阵；β_k为第k次更新样本集对应的输出权重。