基于邻域聚合与深度学习的小样本荒漠草原物种分类

随着气候变化和人类活动的影响,内蒙古草原逐渐荒漠化。为了解决传统地面调查的局限性,以及高光谱数据小样本分类难的问题。本文利用无人机(unmanned aerial vehicle,UAV)高光谱遥感技术对荒漠草原物种进行数据采集,并提出一种邻域聚合算法结合深度学习的小样本分类方法。首先,通过遗传算法(genetic algorithm,GA)与最佳指数因子(optimum index factor,OIF)对高光谱数据进行波段选择;其次,构建高光谱数据邻域特征,采用邻域聚合算法对其进行邻域特征融合;最后,采用多层感知机(multilayr perceptron,MLP)对融合后的特征进行分类。结果表明,邻域聚合算法在每类地物只有10个样本的情况下总体精度可达93.41%,Kappa系数为0.9120;并与SVM和多种深度学习模型对比,邻域聚合算法计算效率高、模型大小最小、分类精度最高。该方法的提出,满足草原物种识别要求,为草原生态系统的动态监测提供新方法。

小邻域方法对数据的分类

为了由数据特征实施对数据更好的查询、图像更好的分割，提出了一种小邻域分类（ε—NC）方法．ε—NC能找出最佳的分类数量，分类时间明显减少．引入相对熵损失来限制样本图像的失真，采用可变步长搜索方法提高最小采样率搜索过程的效率；给出模糊隶属度，形成分类的有效性判断函数，减少迭代次数．采用ε—NC分类方法，对图像分割的准确率高、速度快、抗噪能力强，它对图像目标分类的准确率比传统最好的分类方法的准确率平均提高了5．65％，搜索速度提高9—12倍．