导读:本文包含了主动光谱论文开题报告文献综述及选题提纲参考文献，主要关键词:核超限学习机,主动学习,高光谱遥感,图像分类
主动光谱论文文献综述
陈青莲,方晓平,蔡之华[1]（2019）在《基于核ELM的主动学习及其在高光谱中应用》一文中研究指出针对高光谱图像分类中分类精度有待提升和时间复杂度高的问题,论文提出基于核超限学习机的主动学习并用于高光谱遥感图像分类,与几个常见的算法Mclu_Elm,Mclu_Nb,Mclu_SVM和Mclu_Knn进行了对比验证,结果表明,论文提出的方法不仅具有较强的泛化能力,还能极大地缩短响应时间,因此,论文提出的方法适用于实时应用领域。(本文来源于《计算机与数字工程》期刊2019年11期）
王琰,刘丽芹,沈霞宏,侯俊,张宁[2]（2019）在《基于空谱融合特征主动学习的高光谱图像分类》一文中研究指出针对高光谱图像分类过程中存在的样本量少和分类精度低的问题,提出一种基于空谱融合特征主动学习的高光谱图像分类方法。主要包括构造叁通道图像,全卷积网络提取空间特征,空谱特征结合,主动学习方法选择训练样本几个部分。通过结合像素的光谱特性和相邻像素间的空间关联,提取出可以反映像素空谱联合特性的综合特征,提高了像素特征的表达能力。为克服高光谱图像标注数据少、缺乏训练样本的问题,应用主动学习算法,充分选择更具有代表性的样本进行训练,达到少样本情况下较高的分类正确率。通过在标准数据集上进行实验,结果表明:该方法可以达到在总样本数1%作训练样本的情况下,分类正确率达到99.79%,优于传统的高光谱分类算法。(本文来源于《上海航天》期刊2019年05期）
杨承文[3]（2019）在《基于主动学习的高光谱图像分类》一文中研究指出高光谱图像分类普遍采用监督学习方法,但是监督学习方法需要大量的训练样本,而高光谱图像中标记样本少并且获取大量标记样本困难,导致分类精度较低。本文基于主动学习方法,设计了高光谱图像分类方法,在少量的已标记样本情况下获得高精度的分类效果。论文的主要结果如下:(1)针对高光谱图像中标记样本不足的问题,本文提出了一种基于主动深度学习的高光谱图像分类方法。该方法根据卷积神经网络输出机制,设计了最大熵和输出差值的主动学习采样策略。利用采样策略选择对分类模型有价值的样本,提高分类性能。高光谱图像分类实验结果表明:与随机采样的监督学习相比,在少量的标记样本的情况下,主动学习方法能获得更高的分类精度。(2)针对在高光谱图像分类中,样本预测存在不确定性的问题,本文提出一种基于贝叶斯主动深度学习的高光谱图像分类方法。利用贝叶斯近似推断求解卷积神经网络的后验概率输出。根据后验概率输出中样本分类的不确定性,设计最大熵和互信息主动学习采样策略。通过采样策略选取分类结果不确定的样本,打上标记后加入到模型训练中,以提高分类效果。实验结果表明:与随机采样的监督学习相比,提出的方法在少量的标记样本下能获得更高的分类精度。(本文来源于《浙江工业大学》期刊2019-01-01）
杨承文,李吉明,杨东勇[4]（2019）在《基于深度贝叶斯主动学习的高光谱图像分类》一文中研究指出针对高光谱图像分类中标记样本获取费时费力,无标记数据难以得到有效利用以及主动学习与深度学习结合难等问题,结合贝叶斯深度学习与主动学习的最新进展,提出一种基于深度贝叶斯的主动学习高光谱图像分类算法。利用少量标记样本训练一个卷积神经网络模型,根据与贝叶斯方法结合的主动学习采样策略从无标记样本中选择模型分类最不确定性的样本,选取的样本经人工标记后加入到训练集重新训练模型,减小模型不确定性,提高模型分类精度。通过PaviaU高光谱图像分类的实验结果表明,在少量的标记样本下,提出的方法比传统的方法分类效果更好。(本文来源于《计算机工程与应用》期刊2019年18期）
姚琼,徐翔,邹昆[5]（2018）在《联合空谱特征的多视图主动学习的高光谱图像分类》一文中研究指出针对高光谱遥感影像监督分类训练样本少,训练分类器迭代速度慢的问题,提出一种联合空谱特征的多视图主动学习算法。首先,将原始影像的光谱波段分割为多个互不相交的子集合;然后,在每个子集合滤波提取空间结构特征,建立多视图。其次,提出了一种新的基于多视图后验概率差异最小的主动学习查询策略。实验结果表明,与已有的多视图构建方法和查询策略相比,所提出的联合空谱特征的多视图构建方法可以建立更具多样性、互补性的多个视图;同时,结合所提出的查询策略可以在每次训练迭代中更准确地查询信息量最大的样本,从而减少迭代次数,加快学习函数的收敛速度。(本文来源于《遥感信息》期刊2018年06期）
李昌利,张琳,樊棠怀[6]（2018）在《基于自适应主动学习与联合双边滤波的高光谱图像分类》一文中研究指出在高光谱图像分类中,选择合适的样本作为训练样本对分类器进行训练非常重要。将样本的不确定性与代表性相结合,通过自适应主动学习方法来完成样本的选择。用核K均值聚类来获取具有代表性的样本,用最优标号和次优标号的概率差值与两者比值的加权和来度量不确定性。此外,为了提高分类的准确率,利用联合双边滤波来获取高光谱图像的空间信息,并将其融入分类过程中。最后,提出一种融合自适应主动学习与联合双边滤波的空谱结合高光谱图像分类方法,并通过实验验证了所提方法的优越性。(本文来源于《计算机科学》期刊2018年12期）
潘学文,刘元明[7]（2018）在《基于主动标记支持向量机和太赫兹光谱的转基因物质检测方法研究》一文中研究指出为克服传统支持向量机需要事先对训练样本进行人为标记的缺点,提出了一种主动训练支持向量机模型。利用仿射传播聚类算法对未标记样本进行聚类分析,在迭代过程中不断更新现有支持向量机的训练数据,从而不仅可以减少人为标记样本所带来的误差,还能够最大限度地提高模型的识别准确率。本文以转基因棉花的太赫兹光谱数据为研究对象对该模型进行了验证,实验结果表明,本文提出的方法对总待测样品的种类的识别率为95.56%,较其他叁种方法有较少的误判和更高的识别率。基于仿射传播聚类的支持向量机较传统支持向量机有更高的识别率和更低的误判率,为转基因物质的检测提供了一种快速,无损的新方法。(本文来源于《光电子·激光》期刊2018年10期）
敖平平,孟凡纪[8]（2018）在《基于主动学习和空间约束的高光谱影像分类》一文中研究指出高光谱影像具有数据量大、波段数多和信息冗余等问题,其分类一直是目前的一项研究热点。针对高光谱影像分类存在的问题,本文提出了一种利用主动学习和空间约束的高光谱影像分类方法。首先利用样本的先验分布状态建立样本的置信度模型,迭代选择最有"价值"的样本扩充训练样本库,以此训练最优的支持向量机分类器对高光谱影像进行分类,然后利用马尔科夫随机场(Markov Random Fields,MRF)引入空间信息,优化分类结果。文中在Indian Pines数据集上验证提出方法的有效性。实验结果表明,本文提出的方法通过样本的先验信息训练最优的SVM模型,能够有效地分类不同地物,总体分类正确率达到88%以上。(本文来源于《测绘与空间地理信息》期刊2018年08期）
周峰[9]（2018）在《结合自适应邻域和半监督主动学习的高光谱图像分类》一文中研究指出高光谱图像分类是高光谱图像处理技术的重要组成部分。通过计算机等设备来对高光谱图像中属于不同地物特有的空谱信息进行分析,并采取有效的分类手段将所有像元划分各自独立、相互不重迭的区域中去。但在分类过程中样本标签的标定需要特定的仪器以及大量的人力、物力,导致可获的能够使用的有标签样本的数目少之又少,为了解决这一问题一系列的研究方法被提出来:半监督学习,直推式学习,主动学习以及通过特定方法生成另外的虚拟样本。但是在传统的方法中,大部分研究方法都是从全局的特征空间或者标准矩形邻域出发,往往忽视了高光谱图像自身拥有的特定的空间信息和光谱信息,缺乏针对性的解决方法。基于以上的分析,本文提出了基于自适应邻域的方法来解决传统算法中的缺陷,尽最大可能的利用高光谱图像自身特有的空间信息和光谱信息来提高分类精度,本文主要研究内容如下:(1)提出了一种结合自适应邻域和主动学习的高光谱图像分类算法。本模型旨在改变传统主动学习选择样本中的按着在全局特征空间上依照SVM决策面来选择样本导致的被选择样本空间分布不均,且过程缓慢的缺陷。在选择样本进行标记的时候只选择自适应邻域中距离支持向量最远且在图像空间上互相不靠近的样本进行标记,选择出自适应邻域中含有更多信息量的样本加入到训练集中,扩大训练集的规模。在Indian Pines和Pavia University数据图像上验证得出选择这样的样本可以获得更好的分类结果。(2)提出了一种结合自适应邻域和半监督学习的高光谱图像分类算法。本模型旨在改变传统半监督学习基于全局特征空间和空间矩形邻域的方法利用无标签样本来训练分类器中因错误利用样本的方法导致的分类精度不高,甚至在一定次数以后精度下降的情况。在选择无标签样本进行利用时只在训练样本的自适应邻域中选择出和训练样本在类标上分类结果相同的无标签样本加以利用,并给定训练样本的相同类标。通过分类类标一样且同在自适应邻域同时约束,选择的样本给定正确伪类标的可能性大大提高。并且在Indian Pines和Pavia University数据图像上验证得到这样利用无标签样本可以提高分类精度。(3)提出了一种结合半监督学习和堆栈自编码的高光谱图像分类模型。本模型旨在改变深度学习中传统线性组合增加虚拟样本的方法在特征空间线性可分的情况会因组合权值全为正数导致生成大量冗余样本,且在线性不可分的的情况下生成大量的错误伪类标样本。本模型在选择线性组合“母体”样本时,只选择训练样本自适应邻域中的无标签样本半监督的进行线性组合,且组合权值在数值选择上有正有负,并给定训练样本相同类标。紧接着对于生成的虚拟样本通过SVM进行选择,去除冗余样本,使用这样的样本来训练堆栈自编码提取分类特征。并且在Indian Pines和Pavia University数据图像上验证得到这样生成的虚拟样本可以提升分类精度。(本文来源于《西安电子科技大学》期刊2018-06-01）
崔颖,徐凯,陆忠军,刘述彬,王立国[10]（2018）在《主动学习策略融合算法在高光谱图像分类中的应用》一文中研究指出针对传统主动学习单一策略算法在挑选最有价值未标记样本时出现的抖动和不稳定的现象,引入集成学习(ensemble learning)分类器的加权组合思想,提出一种基于组合策略的联合挑选(ESAL)方法,将模型的组合衍生至策略的组合,从而实现单一模型多策略的融合,获得更高的稳定性。通过对高光谱遥感图像分类结果的分析可以看出,在获得相同精度阈值时,ESAL算法相对于单一策略算法最高可节省成本25.4%,抖动频率减少至原来的16.67%,抖动明显改善,体现出ESAL算法良好的稳定性。(本文来源于《通信学报》期刊2018年04期）
主动光谱论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对高光谱图像分类过程中存在的样本量少和分类精度低的问题,提出一种基于空谱融合特征主动学习的高光谱图像分类方法。主要包括构造叁通道图像,全卷积网络提取空间特征,空谱特征结合,主动学习方法选择训练样本几个部分。通过结合像素的光谱特性和相邻像素间的空间关联,提取出可以反映像素空谱联合特性的综合特征,提高了像素特征的表达能力。为克服高光谱图像标注数据少、缺乏训练样本的问题,应用主动学习算法,充分选择更具有代表性的样本进行训练,达到少样本情况下较高的分类正确率。通过在标准数据集上进行实验,结果表明:该方法可以达到在总样本数1%作训练样本的情况下,分类正确率达到99.79%,优于传统的高光谱分类算法。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
主动光谱论文参考文献
[1].陈青莲,方晓平,蔡之华.基于核ELM的主动学习及其在高光谱中应用[J].计算机与数字工程.2019
[2].王琰,刘丽芹,沈霞宏,侯俊,张宁.基于空谱融合特征主动学习的高光谱图像分类[J].上海航天.2019
[3].杨承文.基于主动学习的高光谱图像分类[D].浙江工业大学.2019
[4].杨承文,李吉明,杨东勇.基于深度贝叶斯主动学习的高光谱图像分类[J].计算机工程与应用.2019
[5].姚琼,徐翔,邹昆.联合空谱特征的多视图主动学习的高光谱图像分类[J].遥感信息.2018
[6].李昌利,张琳,樊棠怀.基于自适应主动学习与联合双边滤波的高光谱图像分类[J].计算机科学.2018
[7].潘学文,刘元明.基于主动标记支持向量机和太赫兹光谱的转基因物质检测方法研究[J].光电子·激光.2018
[8].敖平平,孟凡纪.基于主动学习和空间约束的高光谱影像分类[J].测绘与空间地理信息.2018
[9].周峰.结合自适应邻域和半监督主动学习的高光谱图像分类[D].西安电子科技大学.2018
[10].崔颖,徐凯,陆忠军,刘述彬,王立国.主动学习策略融合算法在高光谱图像分类中的应用[J].通信学报.2018