买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西北农林科技大学

摘要：本发明公开了一种基于栈式稀疏自编码网络（Stacked‑Sparse‑Autoencoder，S‑SAE）的多时相PolSAR散射特征的降维算法，步骤有：（1）采用多种目标分解方法对每个时相的PolSAR图像数据进行极化目标分解获取多个散射特征；（2）设置训练参数，隐含层层数和神经元个数，使用训练集对构建的S‑SAE网络进行逐层无监督训练和整体监督优化训练；（3）提取网络的相关参数对高维散射特征进行降维处理，最后使用降维特征作为分类器输入得到PolSAR图像的分类结果。本发明结合多种目标分解方法能充分有效发掘的多时相PolSAR数据中的特征信息，进一步提高了多时相PolSAR数据的应用质量，在作物分类中实现了高于多时相复Wishart方法的分类精度，为多时相PolSAR数据的高效应用提供了一种思路。

主权项：1.基于栈式稀疏自编码网络的多时相PolSAR散射特征降维算法，包括如下步骤：1输入S个时相,大小为N1×N2的PolSAR图像数据；2通过原始的PolSAR图像数据计算出每个像素的极化协方差矩阵[C]和极化相干矩阵[T]；3采用极化分解方法对每个时相的PolSAR数据中[C]和[T]矩阵进行特征分解，然后将每个时相中每个像素分解得到的M个特征以矩阵形式保存，将会得到一个N1×N2×M大小的三维特征矩阵[A]；4将S个时相所获得的三维特征矩阵进行再次堆叠，形成N1×N2×M*S大小的高维特征矩阵[B]；5建立地面真值分布图，结合高维特征矩阵选择训练样本；a在高维特征矩阵中随机抽取m个无监督训练样本，获得大小为M*S×m的无监督训练样本矩阵[D]；b结合地面真值分布图，对随机抽取的m个无监督训练样本添加标签；6构建降维至L维的S-SAE网络，使用训练样本对S-SAE网络进行训练；a将无监督训练样本[D]作为S-SAE网络的输入进行逐层训练，并得到降维至L维的训练数据[E]，其大小为L×m；b使用降维至L维的训练数据[E]作为softmax分类器的输入，结合训练标签样本对softmax分类器进行预训练；c将逐层训练完成的S-SAE网络与训练完成的softmax分类器进行结合，然后使用有标签的训练样本对S-SAE网络进行优化训练；7使用优化训练后的S-SAE网络参数，对高维散射特征[B]进行降维运算，得到指定降维维度的多时相散射降维特征矩阵[F]，其大小为N1×N2×L；8结合降维特征和地面分布真值，随机选取支持向量机SVM分类器的训练样本；9采用SVM分类器对多时相散射特征的降维特征[F]进行分类；10输出分类后的农作物分布图。

全文数据：

权利要求：

百度查询： 西北农林科技大学 一种基于栈式稀疏自编码网络的多时相PolSAR散射特征降维算法