基于DBN模型的遥感图像分类

摘要：

遥感图像分类是地理信息系统(geographic information system,GIS)的关键技术,对城市规划与管理起到十分重要的作用.近年来,深度学习成为机器学习领域的一个新兴研究方向.深度学习采用模拟人脑多层结构的方式,对数据从低层到高层渐进地进行特征提取,从而发掘数据在时间与空间上的规律,进而提高分类的准确性.深度信念网络(deep belief network,DBN)是一种得到广泛研究与应用的深度学习模型,它结合了无监督学习和有监督学习的优点,对高维数据具有较好的分类能力.提出一种基于DBN模型的遥感图像分类方法,并利用RADARSAT 2卫星6d的极化合成孔径雷达(synthetic aperture radar,SAR)图像进行了验证.实验表明,与支持向量机(SVM)及传统的神经网络(NN)方法相比,基于DBN模型的方法可以取得更好的分类效果.

关键词：遥感图像、合成孔径雷达、地物分类、深度学习、受限玻尔兹曼机、深度信念网络

所属期刊栏目：51

分类号：TP391;TP751(计算技术、计算机技术)

资助基金：国家自然科学基金项目61125201,61202127

在线出版日期：2014-11-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1911-1918