基于迁移学习的高光谱遥感影像分类算法研究.doc

基于迁移学习的高光谱遥感影像分类算法研究

2.37万字 51页 原创作品，通过查重系统


摘要
高光谱遥感是将目标探测技术与光谱成像技术相结合的多维地物信息获取技术。高光谱遥感影像有着信息量大、光谱分辨率高的特点。但高光谱数据容量大、信息冗余对存储和计算都带来了压力，我们通过对高光谱的降维可以有效地解决这些问题。在降维的基础上对高光谱遥感影像分类，就可以有效利用高光谱遥感影像的信息。不过现有的分类方法繁多而且褒贬不一，那如何从高光谱遥感影像所产生的数据中进行高精度的分类仍是亟待解决的问题。
迁移学习作为机器学习领域中最重要的研究方向之一，在近几年开始越来越受到人们的关注，在本文中，我们将对迁移学习的理论与算法进行研究，并将其应用到对高光谱遥感影像数据的特征提取以及分类中去，主要研究内容有：
(1)在迁移学习的众多方法中，我们选择了样本迁移这一较为基础，也是较为简单有效的学习方式，来作为我们主要的迁移手段，通过对原始数据的部分样本数据进行训练学习后，再将其应用到测试数据的分类研究中去，实验表明该方法是有效的。
(2)在研究迁移学习的经典算法之前，我们先来看看Adaboost这一经典机器学习算法。Adaboost算法的核心思想是通过迭代，针对同一个训练集练出不同的弱分类器，然后把这些弱分类器通过加权求和得出一个最强的分类器，是一个十分可靠有效地学习算法。经过多方考量，我们决定将其与迁移学习融合在一起，提出了基于迁移学习的Adaboost算法。经过最终的实验分析证明该算法所提供的分类器是有效的。
(3)将迁移学习应用于高光谱遥感影像的分类研究，是机器学习的又一新的应用领域，通过迁移学习我们可以有效地解决高光谱的分类问题。迁移学习的应用方向还有很多，它以它的简单多变性可以很自如的解决很多领域的问题，在未来，迁移学习一定可以得到很好发展。

关键字：高光谱遥感，迁移学习，boosting技术，Adaboost算法