[发明专利]基于小波卷积神经网络的无人机着陆地貌分类方法

摘要

本发明公开了基于小波卷积神经网络的无人机着陆地貌分类方法，本方法采用小波卷积神经网络来进行特征学习。然后根据提出的特征权值结合法对每层隐含层得到的特征集分配一个特征权值，最后，每个特征集和相应的权值结合成一个新的待分类图像特征集，新特征集具有图像的深层特征信息，具有较高的特征识别力。针对支持向量机的分类性能易受到参数、核函数等因素的影响，采用粒子群算法优化支持向量机，粒子群算法能在较短时间内搜索到全局最优的点，即能达到支持向量机最优分类性能的参数。仿真实验表明，本发明能自动地提取图像深层抽象特征，提高了特征识别力，有效的提高了地貌图像的分类准确率，具有良好的泛化能力和适用范围。

主权项

基于小波卷积神经网络的无人机着陆地貌分类方法，其特征在于：该方法包括以下步骤，S1：获取无人机着陆地貌的训练图像集和测试图像集；S2：构建小波卷积神经网络，输入无人机着陆地貌的训练图像集，对小波卷积神经网络进行训练，直到满足训练条件；S3：将无人机着陆地貌的测试图像集输入到训练好的小波卷积神经网络中进行逐层学习，提取出一组图像的待分类特征集S4：采用基于灰度共生矩阵的特征提取算法，提取出无人机着陆地貌的样本图像的纹理特征，获得训练样本和测试样本的纹理特征向量，并将其与待分类特征集组合成综合特征向量集；S5：将无人机着陆地貌的训练图像特征集作为训练样本对支持向量机(SVM)分类器进行训练，并采用粒子群算法(PSO)对支持向量机进行优化，选择出支持向量机的最优参数，获得一个最优的SVM分类器；S6：将得到的待分类图像特征集输入到优化后的支持向量机，进行图像分类。