栈式稀疏自编码网络的多时相全极化SAR散射特征降维
利用极化合成孔径雷达(PolSAR)能够实现地物的识别和分类,而多时相全极化SAR可以获取地物更多的散射特征,提升地物识别精度,但高维散射特征的引入会带来严重的维数灾难问题.为了实现对高维散射特征的有效降维,本文提出一种基于栈式稀疏自编码网络S-SAE (Stacked Sparse AutoEncoder)的多时相PolSAR散射特征降维方法.该方法首先对PolSAR数据进行极化目标分解以获取高维散射特征;然后使用S-SAE对获取的多维特征进行降维处理,其中S-SAE降维方法首先采用无监督训练方式进行逐层贪婪训练;再结合Sigmod分类器,利用监督训练的方式对S-SAE进行参数优化,实现高维特征的有效降维;最后以降维后的特征作为支持向量机(SVM)和卷积神经网络(CNN)分类器的输入,实现地物分类.通过仿真和实测的两组多时相Sentinel-1数据处理结果表明,双隐层的S-SAE降维方法在各分类器上均取得最优的降维效果;对比各降维方法在SVM分类器上的分类精度,S-SAE较于局部线性嵌入(LLE)与主成分分析(PCA)降维方法,总体分类精度分别至少提升了9％和14％;在CNN分类器上,S-SAE较于LLE与PCA降维方法,总体分类精度分别至少提升了7％和9％.
特征降维、作物分类、极化合成孔径雷达、多时相、栈式稀疏自编码网络、卷积神经网络
24
陕西省重点研发计划;国家自然科学基金;中央高校基本科研业务费专项资金资助项目
2020-12-04（万方平台首次上网日期，不代表论文的发表时间）
共13页
1379-1391
