本文關鍵詞：基于集成學習的高分遙感圖像玉米區(qū)高精度提取算法研究　出處：《中北大學》2017年博士論文　論文類型：學位論文

  更多相關文章： 集成學習 高分遙感 支持向量機 極限學習機 深度學習

【摘要】：農作物識別是農情監(jiān)測的重要內容,是調查監(jiān)測農作物種植面積、長勢、產量、品質、病蟲害等的基礎。衛(wèi)星遙感技術的快速發(fā)展為農業(yè)遙感行業(yè)應用提供了大量高質量的遙感數據源,蘊含豐富的地物信息,但遙感信息自動提取長期困擾研究學者。目前農作物信息的精細提取仍依賴人工目視解譯,效率低下,受人員經驗制約。雖然機器學習方法不斷改進,但受作物種植品種差異大、地塊破碎、同期作物混雜混種以及同物異譜等主客觀因素的制約,規(guī)則簡單、結構單一的自動提取算法在復雜地物分布情況下表現出極大的局限性。同時,各算法過分依賴手工設計的特征質量和大量的標記樣本,地物分布復雜的高分數據源的地物提取精度較低,影響最終決策的準確性。因此,提高提取精度成為遙感技術在農業(yè)領域應用中的關鍵。集成學習能夠利用多個學習方法解決同一問題,綜合多種算法的優(yōu)點,顯著提高算法的整體泛化能力。本論文以集成學習為主線,研究高分遙感圖像玉米區(qū)的高精度提取算法,將支持向量機、神經網絡、深度學習與集成學習融合,從不同基本算法、不同特征集輸入、不同算法結構等方面保證算法多樣性,構建集成提取算法,以提高玉米區(qū)提取精度,提出的集成提取算法也能在其它類型農作物的信息提取中發(fā)揮作用。論文主要從以下四個方面開展了研究工作:(1)特征提取與特征集構建研究:在對高分遙感圖像校正、融合等預處理和圖像特征提取的基礎上,以隨機森林為技術手段,評估特征的重要性程度;遍歷選擇不同特征并構造組合,將其提取結果分別作為證據源,采用改進的權重系數和沖突概率自適應調整的D-S證據合成規(guī)則處理沖突證據,兩組高分遙感研究區(qū)圖像實驗合成結果分別達到0.84和0.87以上,較傳統(tǒng)合成方法提高了4%和6%;根據實驗結果選取最優(yōu)的特征組合,重組構建了光譜特征集、紋理特征集以及聯合特征集,以其為輸入開展后續(xù)研究。(2)同異質集成提取算法研究:探究典型監(jiān)督算法—支持向量機和極限學習機網絡等淺層學習方法的特點,研究了多分類器集成與合成規(guī)則;以混合迭代為手段,提出新的混合核支持向量機同質集成算法;進而研究不同學習方法的性能差異,提出以極限學習機網絡和支持向量機為基本方法的異質混合集成提取算法,提高復雜地物分布情況下的高分圖像信息提取算法的泛化能力。(3)深度網絡集成提取算法研究:重點研究堆棧自編碼和深度卷積神經網絡的基本原理,分別探究其結構設置規(guī)則和參數設置優(yōu)化方式;基于無監(jiān)督特征學習構建的深度網絡集成提取算法,針對一維像元數據和二維多特征圖像實現深層特征的學習及玉米區(qū)類別屬性的判別;同時針對二維卷積網絡對輸入數據的特殊要求,挖掘像元鄰域的上下文信息,提出了基于像元擴展的二維輸入圖像制備方法,克服了復雜場景地物提取中等尺寸分塊方法的缺點,為擴展二維卷積網絡的農業(yè)遙感應用提供先決條件。(4)實驗驗證:以高分一號和高分二號的典型研究區(qū)圖像為數據源,針對不同空間分辨率(2m與0.8m)、不同時相(單時相與雙時相)、不同幅面(512?512、1024?1024與1500?1500等)、不同特征集(光譜、紋理與聯合特征集)以及不同的地物分布特點的玉米區(qū)圖像,通過多組實驗驗證集成算法性能。基于支持向量機和極限學習機的同異質集成提取算法總體精度較傳統(tǒng)監(jiān)督算法和單一學習算法有了顯著提高,特別是聯合特征集輸入的結果基本達到了0.85,異質集成優(yōu)于同質集成;聯合特征集輸入的二維卷積深度網絡集成提取算法總體精度達到0.90以上。綜上,集成學習能夠有效提高高分圖像玉米區(qū)提取精度,深度網絡集成提取算法性能表現優(yōu)于以支持向量機和極限學習機為基本方法的同質、異質集成提取算法,圖像的高空間分辨率有助于提高集成算法的玉米區(qū)提取精度。
【學位授予單位】：中北大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：S513;TP751

【相似文獻】

中國期刊全文數據庫 前10條

1 程渭呂;通信及信號處理用的新算法[J];上海航天;1985年01期

2 郭福順 ,高鐵軍;抽象數據型與一類表達式的化簡[J];哈爾濱工業(yè)大學學報;1985年A3期

3 劉鋒;李屹;李麗娟;;一種改進的人工蜂群算法及其在桁架幾何優(yōu)化設計中的應用研究[J];工程設計學報;2013年06期

4 焦健;瞿有利;;知網的話題更新與跟蹤算法研究[J];北京交通大學學報;2009年05期

5 牛連強;薛瑾;朱天翔;;快速繪制圓弧的行程算法[J];沈陽工業(yè)大學學報;2010年04期

6 劉彬;吳嗣亮;姜萬錄;;FFT算法中求P值的一般方法[J];東北重型機械學院學報;1986年04期

7 左幸;陶衛(wèi)國;馬光文;;三角旋回算法及其在短期水火協(xié)調優(yōu)化中的應用[J];華東電力;2007年10期

8 劉彬,張立杰,張春杰;一種改進的FFT算法[J];東北重型機械學院學報;1997年04期

9 穆世強;;一種改進的LMS算法及自適應高分辨陣列測向[J];電子對抗技術;1992年03期

10 高波;田東;胡亮;傅澤田;;Free Search——一種新的進化算法[J];儀器儀表學報;2006年S1期

中國重要會議論文全文數據庫 前9條

1 劉明蘭;王玲t(yī) ;曾春年;鐘紹華;張俊;;雙模自組織Fuzzy-Dahlin算法研究[A];1997中國控制與決策學術年會論文集[C];1997年

2 胡海清;;序列最小優(yōu)化及其改進算法[A];第十屆中國科協(xié)年會信息化與社會發(fā)展學術討論會分會場論文集[C];2008年

3 王春厚;許都;孫健;;一種降低誤判率的BF快速匹配算法結構[A];2010年全國通信安全學術會議論文集[C];2010年

4 桑紅燕;潘全科;任立群;;解決單機準時排序問題的差異進化算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

5 周川;張璐;陳慶偉;;基于神經網絡PID的智能AQM新算法[A];第二十七屆中國控制會議論文集[C];2008年

6 陳小林;趙建;王延杰;;多模實時跟蹤算法研究[A];第七屆全國信息獲取與處理學術會議論文集[C];2009年

7 傅薈璇;王宇超;孫楓;;融合Kalman濾波的自適應帶寬Mean Shift算法[A];2011年中國智能自動化學術會議論文集（第一分冊）[C];2011年

8 羌磊;肖田元;宋士吉;;多種群模式協(xié)同搜索貝葉斯優(yōu)化算法[A];第25屆中國控制會議論文集（中冊）[C];2006年

9 阮秀凱;張志涌;;一種基于支持向量回歸的盲恢復新算法[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

中國博士學位論文全文數據庫 前10條

1 陳貴濤;基于CMAES雜交算法的鋼筋混凝土框架結構優(yōu)化設計研究[D];華南理工大學;2014年

2 杜新鵬;聯合稀疏恢復新型算法及其應用研究[D];國防科學技術大學;2013年

3 李大威;基于集成學習的高分遙感圖像玉米區(qū)高精度提取算法研究[D];中北大學;2017年

4 李向濤;進化算法研究及其在化學信息學中的應用[D];東北師范大學;2015年

5 許偉;基于進化算法的復雜化工過程智能建模方法及其應用[D];華東理工大學;2011年

6 鄭友蓮;面向模糊車間調度問題的智能算法研究[D];武漢大學;2011年

7 高健;分布式環(huán)境的同順序流水作業(yè)問題求解算法研究[D];大連海事大學;2013年

8 畢云龍;自適應聲學回聲抑制算法研究及其VLSI芯片設計[D];哈爾濱工業(yè)大學;2010年

9 趙立權;ICA算法及其在陣列信號處理中的應用研究[D];哈爾濱工程大學;2009年

10 鄒德旋;啟發(fā)式算法及其在工程優(yōu)化中的應用[D];東北大學;2011年

中國碩士學位論文全文數據庫 前10條

1 和夢思;粒子群進化算法的改進及應用[D];深圳大學;2015年

2 王金明;基于AES和LSB算法的信息隱藏模塊研究與設計[D];貴州大學;2015年

3 許崢;自適應PID算法在減水劑生產控制中的研究與實現[D];北京工業(yè)大學;2015年

4 賈寧寧;復雜網絡中社團發(fā)現算法研究及應用[D];石家莊鐵道大學;2015年

5 龐德艷;非光滑方程的算法及其應用[D];青島大學;2015年

6 李倩;基于膜計算的黑洞聚類算法研究[D];西華大學;2015年

7 劉建;無線傳感器網絡鏈式路由算法[D];廣西師范大學;2015年

8 楊葛;基于本體的程序代碼資源算法結構關聯研究[D];東華大學;2013年

9 褚夫飛;基于改進人工蜂群算法的分散式風功率預測方法研究[D];東北大學;2014年

10 王耀輝;蜂群算法應用研究[D];福州大學;2013年

，

本文編號：1331698