[发明专利]基于在线序列极限学习机的极化SAR图像分类方法

摘要

本发明公开了一种基于在线序列极限学习机的极化SAR图像分类方法，主要解决极化SAR图像分类的训练时间长和内存消耗大的问题。其实现步骤为：1.输入待分类极化SAR图像标记信息和相干矩阵，进行Lee滤波；2.提取滤波后的相干矩阵中的特征，并将特征归一化获得数据集，再从数据集中获得标记集；3.将标记集划分成初始训练集和在线训练集；4.用训练集进行初始阶段学习，并用初始阶段学习到的模型对极化SAR图像进行初始分类；5.通过迭代对训练集进行在线学习，用在线阶段学习到的模型对极化SAR图像进行最终分类。本发明能处理增量的训练数据，获得较高的分类精度，减少训练时间和内存消耗，可用于地物分类和目标识别。

主权项

一种基于在线序列极限学习机的极化SAR图像分类方法，包括如下步骤：(1)输入待分类极化SAR图像标记信息，输入一幅大小为3×3×M的待分类极化SAR图像的相干矩阵，并用Lee滤波器滤除相干噪声，得到滤波后的相干矩阵，其中，滤波后的相干矩阵中每个元素是一个3×3矩阵，M表示待分类的极化SAR图像像素点的总数；(2)将滤波后相干矩阵中每个元素对应的3×3矩阵，拉成一个9维的特征向量，获得大小为9×M的数据矩阵；(3)将数据矩阵进行归一化处理，获得数据集其中n＝9为特征的维数，x_i为特征向量；(4)从数据集中分别获得测试集N_p，初始训练集和在线训练集(4a)根据标记信息从数据集中获得标记集其中m为类别总数，N为标记样本的总数，t_i为类别向量；(4b)将标记集随机选取90％作为测试集：剩余10％作为训练集，其中N_p为测试集的样本个数；(4c)将训练集等分成5份，即1份为初始训练集和4份在线训练集k为在线学习迭代标志，k＝0,1,2,3。其中N₀为初始训练集的样本个数，N_k+1为在线训练集的样本个数；(5)设置极限学习机隐藏层节点的激活函数为G(a,b,x)＝exp(‑b||x‑a||²)，隐含层单元个数为L，且N₀＞L，随机设置输入权值a_j和偏值b_j,j＝1,...,L；(6)用初始训练集进行初始阶段的学习，获得输出权值为β⁰和中间参数P₀，设置初始在线学习迭代标志k＝0；(7)将数据集输入到训练好的初始阶段极限学习机中，获得初始阶段数据集的分类结果为Y₀：(7a)输入数据集计算隐藏层输出矩阵为Q，$Q={\left[\begin{array}{ccccc}G(a_1,b_1,x_1)& ...& G(a_j,b_j,x_1)& ...& G(a_L,b_L,x_1)\\ \·& & & & \·\\ \·& ...& & ...& \·\\ \·& & & & \·\\ G(a_1,b_1,x_i)& ...& G(a_j,b_j,x_i)& ...& G(a_L,b_L,x_i)\\ \·& & & & \·\\ \·& ...& & ...& \·\\ \·& & & & \·\\ G(a_1,b_1,x_M)& ...& G(a_j,b_j,x_M)& ...& G(a_L,b_L,x_M)\end{array}\right]}_{M\×L};$(7b)根据输出权值β⁰和输出矩阵Q，计算初始阶段数据集的分类结果为Y₀＝Qβ⁰；(8)用在线训练集进行在线阶段的学习，获得在线阶段的分类结果为Y_k+1：(8a)输入在线训练集计算隐藏层的输出矩阵为H_k+1，$H_{k+1}={\left[\begin{array}{ccccc}G(a_1,b_1,x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+1})& ...& G(a_j,b_j,x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+1})& ...& G(a_L,b_L,x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+1})\\ \·& & & & \·\\ \·& ...& & ...& \·\\ \·& & & & \·\\ G(a_1,b_1,x_i)& ...& G(a_j,b_j,x_i)& ...& G(a_L,b_L,x_i)\\ \·& & & & \·\\ \·& ...& & ...& \·\\ \·& & & & \·\\ G(a_1,b_1,x_{{\mathrm{\Σ}}_{j=0}^{k+1}{N}_j})& ...& G(a_j,b_j,x_{{\mathrm{\Σ}}_{j=0}^{k+1}{N}_j})& ...& G(a_L,b_L,x_{{\mathrm{\Σ}}_{j=0}^{k+1}{N}_j})\end{array}\right]}_{N_{k+1}\×L};$(8b)计算在线学习阶段的输出权值${\mathrm{\β}}^{(k+1)}={\mathrm{\β}}^{\left(k\right)}-P_{k+1}{H}_{k+1}^T(T_{k+1}-H_{k+1}{\mathrm{\β}}^{\left(k\right)}),$其中$P_{k+1}=P_k-P_k{H}_{k+1}^T{(I+H_{k+1}{P}_k{H}_{k+1}^T)}^{-1}{H}_{k+1}{P}_k,$右上标^T为转置运算，右上标^‑1为矩阵求逆运算；(8c)根据输出权值β^(k+1)和输出矩阵Q，计算数据集的在线阶段的分类结果为Y_k+1＝Qβ^(k+1)；(8d)设置在线学习迭代标志k＝k+1，返回步骤(8a)中循环，直到满足结束条件k＝4时结束。