濱海濕地是重要的生態(tài)系統(tǒng),開展濱海濕地類型分布監(jiān)測,對濱海濕地的保護(hù)與利用具有重要意義。傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型中的學(xué)習(xí)率為人工設(shè)置的固定值,本文提出一種自適應(yīng)學(xué)習(xí)率的CNN模型,以代價函數(shù)為目標(biāo)函數(shù)自動計算學(xué)習(xí)率的優(yōu)化值,從而使CNN模型具有自適應(yīng)性。應(yīng)用黃河口濱海濕地的CHRIS高光譜遙感影像數(shù)據(jù),開展本文提出的CNN模型分類方法驗證與優(yōu)化。實驗結(jié)果表明:對于不同的學(xué)習(xí)率搜索區(qū)間,自適應(yīng)學(xué)習(xí)率CNN模型在[0,1]區(qū)間的整體分類精度最高,說明在學(xué)習(xí)率優(yōu)化過程中只需在小區(qū)間[0,1]內(nèi)進(jìn)行微調(diào)就能保證較好的分類精度;對于不同的學(xué)習(xí)率初值,自適應(yīng)學(xué)習(xí)率CNN模型的分類精度和穩(wěn)定性都高于傳統(tǒng)CNN模型,說明本文提出的模型對初值敏感性較低;在訓(xùn)練樣本數(shù)目減少的情況下,兩模型分類精度的穩(wěn)定性都有不同程度的降低,但在保證訓(xùn)練樣本占全部樣本1.35%以上的條件下,自適應(yīng)學(xué)習(xí)率CNN模型穩(wěn)定性高,說明本文提出的模型對小樣本具有一定的適應(yīng)能力。

【文章頁數(shù)】：7 頁

【文章目錄】：
1 材料與方法
    1.1 研究區(qū)與數(shù)據(jù)
    1.2 自適應(yīng)學(xué)習(xí)率的CNN模型
        1.2.1 CNN的結(jié)構(gòu)
        1.2.2 自適應(yīng)學(xué)習(xí)率的CNN模型
2 結(jié)果與討論
    2.1 樣本選取
    2.2 調(diào)節(jié)學(xué)習(xí)率的搜索區(qū)間
    2.3 調(diào)節(jié)學(xué)習(xí)率初值
    2.4 減少訓(xùn)練樣本數(shù)
3 結(jié) 論



本文編號：3757149