[发明专利]一种基于改进的多层感知机的高光谱遥感影像分类方法

说明书

本发明公开了一种基于改进的多层感知机的高光谱遥感影像分类方法，包括步骤一：图像选择与预处理，步骤二：提取训练数据，步骤三：特征选择与特征提取，步骤四：分类处理等。发明所述分类方法中感知机训练精度增加，测试精度也增加了，能很好的对数据集地物进行分类，随着训练样本数量的减少，实验训练精度与测试精度也随之减少，未发现过拟合现象，说明本发明设计有良好的稳定性及适应性。训练样本逐渐减少到10％时，训练精度依旧较高，说明本方案在对小样本训练过程中依然有很好的分类精度，有很好的适应性，本方案很好的解决了小训练样本数量对实验精度的不利影响。

技术领域

本发明涉及一种高光谱遥感影像分类方法，具体为一种基于改进的多层感知机的高光谱遥感影像分类方法。

背景技术

高光谱遥感影像分类技术就是依靠各个光谱曲线的不同来分辨地物目标，而且获取地物光谱并不需要接触地物，只需要用传感器探测接受信息。现有的基于多层感知机采用反向传播算法的高光谱影像分类方法有不少缺点：

传统的多层感知机存在以下缺点：

(1)神经网络隐含节点的数量选择很困难，随着网络层数的不断增加，隐含节点数目需求会减少，但是节点增加到一定程度又会带来其他问题；在理论上讲，只要隐含节点足够多，我们只需要一层隐含层就可以处理任意的函数，隐含节点数和隐含层数两者关系基本上可以看成随着隐含层的增加，隐含节点数指数下降。层数越多，隐含节点越少，需要学习的东西越简单。但是在实际应用中，并不能做到。会发生过拟合、梯度弥散等问题。

(2)阈值、学习率、动量常数。需要大量的实验调优及数据支撑；

(3)学习速率低，相比于其他方法耗时久；

(4)学习不充分，会得到一个局部最优值。虽然系统全局的最优值可能也隐藏在众多局部最优值之中。

传统的反向传播算法存在以下缺点：

(1)在一些复杂问题中，神经网络的学习速率固定而且相对较小，神经网络的收敛速度会非常慢，因此多层感知机的训练就非常耗时，效率较低。

(2)反向传播算法在训练过程中，可能会收敛到一个局部最优值，这时候得到的权值并不是全局最优值，这是梯度下降法的缺点之一。

(3)神经网络隐含节点的数量选择很困难，随着网络层数的不断增加，隐含节点数目需求会减少，但是节点增加到一定程度又会带来其他问题。层数与节点数量选取并没有一定的理论指引，都是经过反复实验调优，以便确定一个相对最优值。

(4)多层感知机在训练好后，如果网络中样本数量变化，多层感知机就需要重新进行训练，对于已经训练好的权值等参数并没有存储。这个时候就需要人工将训练效果较好的一些参数存储起来。

(5)会发生过拟合现象，在训练集上精准度会高，在测试集上精准度却会低，一般情况下，在训练集和测试集上精准度会呈正比关系，当达到临界点时，就出现了过拟合现象，感知机学习了大量样本的特征，过度拟合了训练样本。

发明内容

本发明的目的是设计一个经过改进的基于多层感知机并采用反向传播算法的高光谱遥感影像分类系统，本发明经过大量实验调优，选取精度相对较高的参数，最终在数据集上实现高精度的结果。

本发明采用如下技术方案：

一种改进的高光谱遥感影像分类方法，具体包括：

步骤一：图像选择与预处理，选择图像数据集，进行预处理；

步骤二：提取训练数据，选取用来训练的数据组，搭建多层感知机模型；

步骤三：特征选择与特征提取；经过训练提取出数据样本的特征；

步骤四：分类处理，输入需要分类的数据组，根据训练得到的特征进行分类；