基于稀疏表示和半监督主动学习的小样本高光谱数据分类问题研究

作     者：周千琪 

作者单位：北方民族大学 

学位级别：硕士

导师姓名：张春梅

授予年度：2016年

学科分类：0810[工学-信息与通信工程] 08[工学] 081002[工学-信号与信息处理] 

主      题：高光谱数据 小样本 稀疏表示 半监督学习 主动学习 分类准确度 

摘      要：高光谱数据含有的光谱波段数量少则几十多则数百,提供了大量的有价值信息,有利于对地物进行精细分类。而高光谱数据分类却面临着数据维数高,标记样本有限,人工标记成本昂贵等具有挑战性的问题。为了解决高光谱数据分类问题,不断有学者提出新的方法。无监督分类不需要人工进行标记,但是分类准确度相对较低。传统的监督学习取得了较好的分类效果,但需要大量的标记样本。此外,为了避免休斯现象,许多算法都需要对数据进行降维处理,而降维会导致一些有价值信息的丢失。稀疏表示算法既不需要对高维数据进行降维处理,也不需要训练和学习分类器,便可实现对高光谱数据的分类。本文以稀疏表示算法为基础,围绕高光谱数据的分类问题主要做了以下几个方面的研究:1.基于稀疏表示算法探讨小样本高光谱数据分类问题中分类准确度与标记样本数量的关系问题。虽然研究人员在提高小样本高光谱数据分类准确度方面做出了不懈努力,但尚无人在标记样本数量与分类准确度的关系方面做进一步研究。本文从理论和实验两个方面推导和验证了两者之间成正相关关系,并根据实验绘制出函数曲线。该研究成果为小样本高光谱数据的分类研究提供了很好的理论和实验依据。2.针对半监督高光谱数据分类准确度不高的伪标记样本识别问题,本文在对前期工作进行总结的基础上,分析失败原因,提出了基于稀疏表示和半监督主动学习的分类框架。采用稀疏表示算法构建基分类器,结合半监督主动学习算法,一方面利用主动学习对少量“关键样本进行标记,以降低对随机选择样本进行标记的工作量和成本,另一方面利用半监督学习得到的伪标记样本集来增加训练样本数量。为了降低伪标记样本的错分率,算法融入了伪标记确认程序来剔除可能标记错误的伪标记样本。通过实验与其它算法进行对比证明了所提算法的有效性,实现了小样本高光谱数据的高精度分类。本文基于稀疏表示算法探讨小样本高光谱数据分类问题,通过理论分析和实验论证创新性地提出分类准确度与标记样本数量之间的函数关系,与此同时,提出将稀疏表示和半监督主动学习相结合的算法框架,提高了小样本高光谱数据的分类准确度。