Resumen

La reducción de la dimensión de los datos de imágenes hiperespectrales puede reducir directamente la redundancia de los datos, mejorando así la precisión de la clasificación de imágenes hiperespectrales. En este trabajo, se introduce el algoritmo de red de creencia profunda en la teoría del aprendizaje profundo para extraer las características en profundidad de los datos de imágenes espectrales. En primer lugar, los datos originales se mapean al espacio de características mediante métodos de aprendizaje no supervisado a través de la Máquina de Boltzmann Restringida (RBM). A continuación, se forma una red de creencia profunda superponiendo múltiples máquinas de Boltzmann restringidas y entrenando los parámetros del modelo mediante el algoritmo greedy capa a capa. Al mismo tiempo, como se consigue el objetivo de reducir la dimensionalidad de los datos, se formará la construcción de características subterráneas de los datos originales. El último paso consiste en conectar las características de profundidad de la salida al clasificador de regresión Softmax para completar el ajuste fino (FT) del modelo y la clasificación final. Los experimentos realizados con datos espectrales de imágenes muestran que las características de profundidad extraídas por el algoritmo de red de creencia profunda tienen mejor robustez y separabilidad. Puede mejorar significativamente la precisión de la clasificación y tiene buenas perspectivas de aplicación en la extracción de información de imágenes hiperespectrales.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:características de profundidad, datos originales, algoritmo de red de creencia profunda, extracción de información de imágenes hiperespectrales, múltiples máquinas de boltzmann restringidas, algoritmo de red de creencia profunda, máquina de boltzmann restringida, clasificador de regresión softmax, reducción de la dimensionalidad de los datos, red de creencia profunda
• Keywords:depth features, original data, deep belief network algorithm, hyperspectral image information extraction, multiple restricted boltzmann machines, profound belief network algorithm, restricted boltzmann machine, softmax regression classifier, data dimensionality reduction, deep belief network