[发明专利]一种基于无监督宽度学习的高光谱图像聚类方法有效
| 申请号： | 201811366436.7 | 申请日： | 2018-11-16 |
| 公开（公告）号： | CN109685105B | 公开（公告）日： | 2019-10-25 |
| 发明（设计）人： | 王雪松;孔毅;程玉虎 | 申请（专利权）人： | 中国矿业大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06K9/00 |
| 代理公司： | 南京瑞弘专利商标事务所(普通合伙) 32249 | 代理人： | 吴旭 |
| 地址： | 221116 江苏省*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明的一种基于无监督宽度学习的高光谱图像聚类方法，首先，为保留原始高光谱图像的本征流形结，利用图正则稀疏自动编码器微调输入到映射特征和映射特征到增量节点的权重；接着，无监督宽度学习的模型目标函数由图正则项和连接权重的l2范数项构成，并通过求解广义特征值分解问题，得到无监督宽度学习的模型权重以及无监督宽度学习的输出；最后，利用谱聚类得到聚类结果。 | ||
| 搜索关键词： | 无监督 高光谱图像 聚类 权重 映射特征 学习 模型目标函数 特征值分解 自动编码器 聚类结果 求解 本征 范数 流形 微调 稀疏 输出 保留 | ||
【主权项】：
1.一种基于无监督宽度学习的高光谱图像聚类方法，其特征在于，包括如下步骤：步骤1：利用层次导向滤波对原始的高光谱图像进行滤波处理，得到高光谱图像的光谱‑空间表示；步骤2：高光谱图像的光谱‑空间表示作为输入，利用图正则稀疏自动编码器优化后的权重WiM和WE，先将输入通过WiM映射到映射特征，然后映射特征通过WE映射到增量节点中；步骤3：建立由图正则项和连接权重的二范数正则项构成的无监督宽度学习的模型目标函数，求解模型目标函数，得到模型的输出层权重Wm；步骤4：根据输出层权重Wm，计算得到无监督宽度学习的输出向量![]()
步骤5：通过对输出向量![]()
进行谱聚类，得到高光谱图像的聚类结果。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中国矿业大学，未经中国矿业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201811366436.7/，转载请声明来源钻瓜专利网。
