-
公开(公告)号：CN104021396A
公开(公告)日：2014-09-03
申请号：CN201410283594.1
申请日：2014-06-23
Applicant: 哈尔滨工业大学
CPC classification number: G06K9/0063 , G06K9/6256
Abstract: 基于集成学习的高光谱遥感数据分类方法，属于光谱数据分类技术领域。本发明为了解决现有高光谱数据的分类方法从光谱维的角度对数据进行分类，数据分类精度低的问题。它首先读取高光谱遥感数据，获得高光谱遥感数据的光谱特征和空间特征；将光谱特征与空间特征整合为多特征集合；由多特征集合确定标记样本并选择训练样本和测试样本；基于集成学习方法，设计特征差异的Adaboost集成分类框架，并使用训练样本训练获得F个弱分类器；使用F个弱分类器对测试样本进行分类。本发明用于高光谱遥感数据的分类。
-
Patent Agency Ranking
公开(公告)号：CN104268579A
公开(公告)日：2015-01-07
申请号：CN201410541909.8
申请日：2014-10-14
Applicant: 哈尔滨工业大学
IPC: G06K9/62
CPC classification number: G06K9/6267 , G06K9/6256
Abstract: 基于分层集成学习的高光谱遥感图像分类方法，属于高光谱遥感图像分类技术领域。本发明是为了解决高光谱遥感图像数据的分类精度低的问题。它主要是使用两层的集成结构对高光谱图像进行分类，分别是内层结构和外层结构；内层结构是通过随机波段选择构成存在差异的光谱集合；之后以光谱集合为单位，分别使用Adaboost的集成方法来训练，再对测试样本进行分类；外层结构是将内层集成中各个光谱集合的分类结果进行整合，采用权重投票的方法确定样本的最终类别；最后是将整幅图像作为测试样本，实现全图分类从而得到分类主题图。本发明用于对高光谱遥感图像分类。
-
公开(公告)号：CN104102929A
公开(公告)日：2014-10-15
申请号：CN201410359935.9
申请日：2014-07-25
Applicant: 哈尔滨工业大学
IPC: G06K9/66
Abstract: 基于深度学习的高光谱遥感数据分类方法，属于高光谱数据分类技术领域。本发明是为了解决现有对蕴含非线性特征的高光谱数据进行分类的方法存在分类精度低的问题。它首先对高光谱原始数据进行处理获得高光谱原始数据的光谱特征向量和空间特征信息；再对所述光谱特征向量和空间特征信息进行整合；由高光谱整合数据确定标记样本，并由标记样本中选择训练样本和测试样本；使用训练样本对构成深层网络的多层限制玻尔兹曼机进行预训练；使用训练样本对多层限制玻尔兹曼机构成的网络进行有监督学习；将测试样本输入微调后的多层限制玻尔兹曼机构成的网络，实现高光谱遥感数据的分类。本发明用于高光谱遥感数据的分类。
-
公开(公告)号：CN103136736A
公开(公告)日：2013-06-05
申请号：CN201310087912.2
申请日：2013-03-19
Applicant: 哈尔滨工业大学
IPC: G06T5/00
Abstract: 一种高光谱遥感数据非线性降维方法，本发明涉及到高光谱遥感数据的降维方法。本发明是要解决现有的高光谱数据线性降维方法对非线性特征保留较少的技术问题，本方法：先将高光谱遥感数据进行坏带去除、低通滤波后组织成N行D列的二维矩阵，再将高光谱数据的像素向量映射到高维的特征空间中，重构流形，再找到流形的原点，构建局部黎曼法坐标，再计算最短路径，再运用黎曼流形学习算法将所有数据点映射到原点的切空间中，映射完后的数据集构成的点组织成N行k列二维矩阵，完成高光谱遥感数据非线性降维。本发明的方法用于处理高光谱遥感数据。
-
公开(公告)号：CN104102929B
公开(公告)日：2017-05-03
申请号：CN201410359935.9
申请日：2014-07-25
Applicant: 哈尔滨工业大学
IPC: G06K9/66
Abstract: 基于深度学习的高光谱遥感数据分类方法，属于高光谱数据分类技术领域。本发明是为了解决现有对蕴含非线性特征的高光谱数据进行分类的方法存在分类精度低的问题。它首先对高光谱原始数据进行处理获得高光谱原始数据的光谱特征向量和空间特征信息；再对所述光谱特征向量和空间特征信息进行整合；由高光谱整合数据确定标记样本，并由标记样本中选择训练样本和测试样本；使用训练样本对构成深层网络的多层限制玻尔兹曼机进行预训练；使用训练样本对多层限制玻尔兹曼机构成的网络进行有监督学习；将测试样本输入微调后的多层限制玻尔兹曼机构成的网络，实现高光谱遥感数据的分类。本发明用于高光谱遥感数据的分类。
-
公开(公告)号：CN103136736B
公开(公告)日：2015-06-17
申请号：CN201310087912.2
申请日：2013-03-19
Applicant: 哈尔滨工业大学
IPC: G06T5/00
Abstract: 一种高光谱遥感数据非线性降维方法，本发明涉及到高光谱遥感数据的降维方法。本发明是要解决现有的高光谱数据线性降维方法对非线性特征保留较少的技术问题，本方法：先将高光谱遥感数据进行坏带去除、低通滤波后组织成N行D列的二维矩阵，再将高光谱数据的像素向量映射到高维的特征空间中，重构流形，再找到流形的原点，构建局部黎曼法坐标，再计算最短路径，再运用黎曼流形学习算法将所有数据点映射到原点的切空间中，映射完后的数据集构成的点组织成N行k列二维矩阵，完成高光谱遥感数据非线性降维。本发明的方法用于处理高光谱遥感数据。
-
-
-
-
-
Search Results
6
records
(took 0.023 seconds)
