[发明专利]一种基于深度学习的遥感数据分析方法

摘要

本发明公开了一种能够进一步提高分类准确率，降低成员模型数目对分类准确率影响的基于深度学习的遥感数据分析方法。该方法，包括以下步骤：1)读取高光谱遥感数据的原始数据；2)确定标记样本；并在标记样本中选出训练样本和测试样本；3)所有训练样本进行无监督自编码深度网络学习；4)标记样本进行监督深度网络学习；5)未标记样本输入深度网络得到分类结果；6)运用基于最小差异采样的主动学习图像分类方法从未标记样本中选择最佳样本；7)将主动学习选择出来的样本进行标记，从未标记样本中删除，加入到训练样本中，更新训练样本，得到最终分类器；9)进行分类结果精度评价。采样该方法能够提高分类准确率，提高分类效率。

主权项

1.一种基于深度学习的遥感数据分析方法，其特征在于，包括以下步骤：1)读取高光谱遥感数据的原始数据；进行数据预处理操作，以降低数据维度；构建基本深信度网络模型，提取高光谱遥感数据的特征向量和空间信息；2)由步骤1)中提取的高光谱遥感数据的特征向量和空间信息，确定标记样本；并在标记样本中选出训练样本和测试样本；3)利用遥感图像数据的所有训练样本进行无监督自编码深度网络学习；4)然后利用预先设置的标记样本进行监督深度网络学习；5)利用预先设置的未标记样本输入深度网络得到分类结果；6)运用基于最小差异采样的主动学习图像分类方法从未标记样本中选择最佳样本；所述基于最小差异采样的主动学习图像分类方法为：首先基于标注样本集的重采样结果构建决策委员会,然后利用投票概率较高的2个类别的概率值的差异来度量未标注样本集每个样本的投票不一致性,选择概率差异最小的样本交由人工专家标注；如此迭代更新分类器；7)将未标记样本U与最佳样本做减法运算，得到新的未标记样本集U`，将标记样本L与最佳样本做加法运算，得到新的标记样本集L`；8)重新返回步骤3，继续循环以上过程，直到未标记样本集U`为空集或者满足预先设置的终止学习的指标，循环结束，输出相匹配的分类准确度和分类结果图；9)进行分类结果精度评价。