嵌入式深度神经网络高光谱图像聚类
目的 高光谱图像的高维特性和非线性结构给聚类任务带来了“维数灾难”和线性不可分问题,以往的工作将特征提取过程与聚类过程互相剥离,难以同时优化.为了解决上述问题,提出了一种新的嵌入式深度神经网络模糊C均值聚类方法(EDFCC).方法 EDFCC算法为了提取更加有效的深层特征,联合优化高光谱图像的特征提取和聚类过程,将模糊C均值聚类算法嵌入至深度自编码器网络中,可以保持两任务联合优化的优势,同时利用深度自编码器网络降维以及逼近任意非线性函数的能力,逐步将原始数据映射到潜在特征空间,提取数据的深层特征.所提方法采用模糊C均值聚类算法约束特征提取过程,学习适用于聚类的高光谱数据深层特征,动态调整聚类指示矩阵.结果 实验结果表明,EDFCC算法在Indian Pines和Pavia University两个高光谱数据集上的聚类精度分别达到了42.95％和60.59％,与当前流行的低秩子空间聚类算法(LRSC)相比分别提高了3％和4％,相比于基于自编码器的数据聚类算法(AEKM)分别提高了2％和3％.结论 EDFCC算法能够从高光谱图像的高维光谱信息中提取更加有效的深层特征,提升聚类精度,并且由于EDFCC算法不需要额外的训练过程,大大提升了聚类效率.
嵌入式学习、深度神经网络、自适应特征提取、聚类、高光谱图像
25
TP75(遥感技术)
国家自然科学基金青年科学基金项目;辽宁省教育厅科学研究项目
2020-06-22（万方平台首次上网日期，不代表论文的发表时间）
共13页
193-205
