基于深度学习CNN的滨海湿地高光谱遥感影像分类研究
滨海湿地是重要的生态系统,遥感技术是滨海湿地监测的重要手段.高光谱遥感数据具有图谱合一的特点,为遥感影像精细分类提供了可能.卷积神经网络是深度学习的重要方法,是目前遥感图像精细分类的新方向.本文针对传统CNN模型中梯度下降算法收敛速度慢的问题,发展了一种基于共轭梯度法的CNN模型,使用共轭梯度算法对模型的下降梯度进行更新,克服了CNN模型在训练样本较多时收敛慢且精度不高的不足;针对传统CNN模型中学习率固定导致的过拟合或欠拟合问题,提出了融合黄金分割法和二次插值法的自适应学习率CNN模型,该模型可自动调节学习率,替代人工方式手动设置学习率,使传统模型中寻找最优调节参数的工作量显著减少.本文发展了一种基于共轭梯度法的CNN模型、提出了自适应学习率的CNN模型,并应用2景滨海湿地高光谱影像开展了分类实验,主要结论如下:1)基于共轭梯度法的CNN模型在模型计算量增大时能更快地收敛,在达到某一精度要求时,时间消耗明显少于传统CNN模型,仅为传统CNN模型的1/3;基于共轭梯度法的CNN模型表现出对噪声的抗干扰能力,在增加训练样本数量,以及不同程度噪声干扰的条件下,与传统CNN模型相比,能够提供更高的分类结果.2)共轭梯度法在求解大型非线性最优化问题中有稳定收敛的优势,基于共轭梯度法的CNN模型在训练的样本数较多时仍能保证分类精度,适合于大数据量的高光谱图像分类.不断增加批训练样本个数,基于共轭梯度下降的CNN模型精度下降幅度明显小于传统CNN模型,且批训练样本数增至160时的精度仍能保持在80%以上,高出CNN模型2.8%.3)自适应学习率的CNN模型受初值影响很小.当学习率搜索区间一定时,传统CNN模型的分类精度受初值影响较大,分类精度的浮动值高达10.8%,而所提出模型的分类精度变化基本稳定在1.2%以内,明显低于传统CNN模型,实现了学习率的自适应调节;当学习率的范围控制在0到1之间时,所提出的模型能取得更优的分类精度.
- 作者：
- 陈琛
- 学位授予单位：
- 国家海洋局第一海洋研究所
- 专业名称：
- 物理海洋学
- 授予学位：
- 硕士
- 学位年度：
- 2018年
- 导师姓名：
- 张杰；纪永刚
- 中图分类号：
- P237
- 关键词：
- 滨海湿地；高光谱分类；卷积神经网络；共轭梯度；学习率
- Coastal wetland； hyperspectral classification； convolutional neural network； conjugate gradient method； learning rate