[发明专利]基于重要采样的深度SVM极化SAR分类方法

摘要

本发明公开了一种基于重要采样的深度SVM极化SAR分类方法，主要解决现有分类方法数据代表性不好、很难获取关键信息导致分类正确率低的问题。其实现步骤是：(1)对原始数据集进行归一化；(2)用深度信念网络进行特征表示；(3)用重要采样建立训练样本集和测试样本集；(4)用SVM获得初始分类结果；(5)选取置信度较高的样本构成新的SVM参数，并对原始数据集进行分类。本发明通过重要采样，可获得代表性较好的样本；用深度信念网络，可挖掘出代表性更好的特征；选取置信度较高的样本，可有效的提高分类准确率，可用于模式识别、目标检测和分类的问题。

主权项

1.一种基于重要采样的深度SVM极化SAR分类方法，包括如下步骤：(1)对原始数据集进行归一化处理，得到归一化后的数据集；(2)对归一化后的数据集进行DBN特征表示；(3)分别建立训练样本集trainData1、trainData2、trainData3和测试样本集testData1、testData2、testData3；(3a)在DBN特征表示后的数据集中分别选取包含相同地物的3块不同区域Z1、Z2、Z3对应的数据集Data1、Data2、Data3；(3b)在数据集Data1、Data2、Data3中，分别进行重要采样，构成训练样本集trainData1、trainData2、trainData3；步骤(3b)中的重要采样，按如下步骤进行：(3b1)对数据集Data1，分别在每个类别中随机选取A个有标记的样本作为采样训练样本，其对应的标签为采样训练样本标签，其余有标记的样本为采样测试样本，A可以取200‑2000之间的任意整数；(3b2)将采样训练样本、采样训练样本标签和采样测试样本作为SVM的参数，对数据集Data1进行分类，得到采样测试样本的分类准确率；(3b3)对采样测试样本分类准确率较高的前两种类别随机选取该类样本的(1‑P)A、(1‑Q)A个样本，对采样测试样本分类准确率较低的后两种类别随机选取该类样本的(1+P)A、(1+Q)A个样本，其他两种类别随机选取A个有标记的样本，构成训练样本集trainData1，P、Q可以取0.1‑0.9之间的任意值；(3b4)对数据集Data2、Data3重复步骤(3b1)至(3b3)，构成训练样本集trainData1、trainData2、trainData3；(3c)根据训练样本集trainData1、trainData2、trainData3，得到训练样本集对应的标签集label1、label2、label3和测试样本集testData1、testData2、testData3；(4)分别对数据集Data1、Data2、Data3建立SVM分类模型，依次得到3个模型对原始数据集的初始分类结果；(5)根据置信度的高低选取样本构成新的样本集合，并对原始数据集进行分类；(5a)选择数据集Data1、Data2、Data3的SVM模型对原始数据集分类结果一致的样本，构成集合S；(5b)从集合S中选择N个样本作为训练样本集NtrainData，集合S中其余样本作为测试样本集NtestData，用SVM对原始数据集进行分类，N可以取200‑2000之间的任意整数；(5c)对集合S进行重要采样，获得新的分类模型，对原始数据集进行最终的分类。