[发明专利]基于特征随机抽样集成超限学习机的高光谱图像分类方法

权利要求书

1.基于特征随机抽样集成超限学习机的高光谱图像分类方法，其特征在于该方法的具体步骤是：

步骤(1)、结合空域信息提取高光谱图像的空-谱特征向量；

步骤(2)、融合特征随机抽样、超限学习机与集成学习思想进行分类器训练；

步骤(2)具体包括以下步骤：

2.1采用随机抽样方法对空-谱特征进行降维处理

首先对步骤(1)原始空-谱特征向量进行平均分组，得到S个子波段；然后从每个子波段区间随机选择若干个子特征进行组合，以达到特征降维的目的；将上述随机获得的子特征对应的索引记为index_k，k＝1…C为抽样次数，C为采用的弱分类器数目；故第k个分类器经过随机抽样后的特征矩阵为F(index_k，:)；

2.2采用具有快速学习能力的超限学习机训练弱分类器

超限学习机ELM的分类模型为

其中，h_i(x)＝G(a_i，b_i，x)为第i个隐层节点输出响应值，G为隐层节点采用的激活函数，x∈R^d，为d维实数域输入子特征向量，a_i∈R^d，为输入层与第i个隐层节点的随机连接权重，b_i∈R，为第i个隐层节点的偏移值；L为隐层节点个数，β为输出权重向量；

设训练样本数目为N，目标类别数目为B，ELM优化的目标函数为

其中，δ₁＞0,δ₂＞0,p,q＝0,1,2…,+∞，λ为正则化参数，H为所有训练样本经过L个隐层节点输出的变换矩阵，其维数为N×L；T为目标类别矩阵，如式(3)所示，每一行中，目标真实类别位置为1，其余位置为-1；

当δ₁＝2,δ₂＝2,p＝2,q＝2时，式(2)具有闭环解，具体如式(4)和式(5)所示；

当N≤L时，

当N＞L时，

其中，I为单位矩阵；

采用超限学习机进行训练时，按照式(6)生成输入层与隐层间的连接矩阵W_k，按照式(7)生成偏置向量Bias_k；

W_k＝2×rand(L,size(index_k,1))-1 式(6)

Bias_k＝rand(L,1) 式(7)

其中，rand()函数为产生均匀分布且位于区间[0 1]的随机数，size(v,1)函数用于获取矩阵或向量的行数；则第k个分类器对应的变换矩阵为

H_k＝(G(W_k·F(index_k,:)+Bias_k))^T 式(8)

根据式(8)，利用式(4)或式(5)求得输出权重向量β_k；经过超限学习机得到的弱分类器classifier_k包含{W_k，Bias_k，index_k，β_k，G}等参数；

2.3使用集成学习思想，通过投票表决法将弱分类器组合成强分类器

对于一个待测样本，设经过步骤(1)提取的特征向量为f_t，根据式(8)进行特征降维与映射，利用式(1)求解得到一个1×B的向量v_k，向量中的每个值代表属于某一类别的概率，通过式(9)求得最大位置处的索引即为目标的类别Label_k；

[～,Label_k]＝max(classifier_k(f_t(index_k,:))) 式(9)

根据Bagging算法思想，对所有C个分类器的结果进行投票表决，从而确定目标的最终估计类别，如式(10)所示；

Label＝MajorityVote(Label_k)_k＝1…C 式(10)。

2.根据权利要求1所述的基于特征随机抽样集成超限学习机的高光谱图像分类方法，其特征在于步骤(1)具体包括以下步骤：

利用空间目标领域的光谱特性具有一定相似性，或属于同一类物质的假设，选择空间领域内一定区域的样本均值作为特征向量f；

对所有的训练样本，进行上述特征提取，得到样本对应的特征向量f_S，s为样本的标号；然后将所有样本的特征向量按列进行排列，构成特征矩阵F，F＝[f₁，……，f_N]，N为样本个数。