Resumen

Los métodos de aprendizaje profundo se han aplicado con éxito para aprender representaciones de características para datos de alta dimensión, donde las características aprendidas son capaces de revelar las propiedades no lineales exhibidas en los datos. En este trabajo, el método de aprendizaje profundo se explota para la extracción de características de datos hiperespectrales, y las características extraídas pueden proporcionar una buena discriminabilidad para la tarea de clasificación. El entrenamiento de una red profunda para la extracción y clasificación de características incluye un preentrenamiento no supervisado y un ajuste fino supervisado. Utilizamos el método del autoencoder de eliminación de ruido apilado (SDAE) para preentrenar la red, que es robusta al ruido. En la capa superior de la red, se utiliza el método de regresión logística (LR) para realizar el ajuste fino supervisado y la clasificación. Dado que la escasez de características podría mejorar la capacidad de separación, utilizamos la unidad lineal rectificada (ReLU) como función de activación en SDAE para extraer características de alto nivel y escasas. Los resultados experimentales utilizando datos hiperespectrales de Hyperion, AVIRIS y ROSIS demostraron que el preentrenamiento SDAE junto con el ajuste fino y la clasificación LR (SDAE_LR) pueden lograr una mayor precisión que el popular clasificador de máquina de vectores de soporte (SVM).

• Materias:Biotecnología Nanotecnología Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Nanotechnology Sensor networks Sensor system Sensor technology
• Palabras claves:sdae, clasificación, ajuste, extracción de características, datos hiperespectrales, máquina de vectores soporte popular, métodos de aprendizaje profundo, método de aprendizaje profundo, características, red
• Keywords:sdae, classification, tuning, feature extraction, hyperspectral data, popular support vector machine, deep learning methods, deep learning method, features, network