Resumen

Para superar la dificultad de automatizar y clasificar inteligentemente las características del terreno en las imágenes hiperespectrales de teledetección, se introducen gradualmente métodos de aprendizaje automático en el proceso de obtención de imágenes de teledetección. En primer lugar, se seleccionan los conjuntos de datos hiperespectrales de PaviaU, Botswana y Cuprite como temas de investigación en este estudio, y el objetivo es procesar las imágenes hiperespectrales de teledetección mediante el aprendizaje automático para realizar la clasificación automática e inteligente de las características. A continuación, se introducen los principios básicos de los algoritmos de clasificación de la máquina de vectores de soporte (SVM) y de la máquina de aprendizaje extremo (ELM), y se aplican a los conjuntos de datos. A continuación, ajustando las estimaciones de los parámetros mediante una máquina de Boltzmann restringida (RBM), se construye un nuevo modelo de clasificación del terreno de imágenes hiperespectrales que se basa en una red de creencia profunda (DBN). A continuación, se analizan los algoritmos de clasificación SVM, ELM y DBN para la clasificación del terreno de imágenes hiperespectrales y se comparan en términos de precisión y consistencia. Los resultados demuestran que las precisiones medias de detección de ELM en los tres conjuntos de datos son del 89,54%, 96,14% y 96,28%, y los valores del coeficiente Kappa son de 0,832, 0,963 y 0,924; las precisiones medias de detección de SVM son del 88,90%, 92.11% y 91,68%, y los valores del coeficiente Kappa son 0,768, 0,913 y 0,944; las precisiones medias de detección del modelo de clasificación DBN son 92,36%, 97,31% y 98,84%, y los valores del coeficiente Kappa son 0,883, 0,944 y 0,972. Los resultados también demuestran que la precisión de la clasificación del algoritmo DBN supera a la de los dos métodos anteriores porque utiliza plenamente la información espacial y espectral de las imágenes hiperespectrales de teledetección. En resumen, el algoritmo DBN que se propone en este estudio tiene un alto valor de aplicación en la clasificación de objetos para imágenes hiperespectrales de teledetección.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:valor del coeficiente kappa, precisión media de la detección, imagen hiperespectral, algoritmo dbn, clasificación de características, alto valor de aplicación, máquina de vectores de apoyo, máquina de boltzmann restringida, métodos de aprendizaje automático, conjuntos de datos hiperespectrales de cuprita
• Keywords:kappa coefficient value, average detection accuracy, hyperspectral image, dbn algorithm, classification of features, high application value, support vector machine, restricted boltzmann machine, machine learning methods, cuprite hyperspectral datasets