基于深度子空间切换集成学习的多源异构数据融合方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108985365A(43)申请公布日2018.12.11(21)申请号201810732829.9(22)申请日2018.07.05(71)申请人重庆大学地址400044重庆市沙坪坝区沙正街174号(72)发明人李勇明张馨月王品曾孝平谭晓衡刘书君张新征李东谢廷杰(74)专利代理机构成都蓉域智慧知识产权代理事务所(普通合伙)51250代理人陈千(51)Int.Cl.G06K9/62(2006.01)G06K9/46(2006.01)权利要求书1页说明书6页附图2页(54)发明名称基于深度子空间切换集成学习的多源异构数据融合方法(57)摘要本发明公开了一种基于深度子空间切换集成学习的多源异构数据融合方法，按照以下步骤进行：S1：分别对每个源数据集进行特征提取，并组成空谱特征；S2：重组构成空谱特征数据集；S3：基于深度样本学习算法对空谱特征数据集中的样本数据进行处理，形成原始样本、一阶样本和二阶样本；S4：针对三组样本集，分别构建分类器模型；S5：对三组模型分别采用各自合适的分类方式进行分类，得到三组分类结果，然后通过分类投票得到最终的分类结果。其效果是：本发明联合光谱空间信息并融入分层子空间切换集成学习算法，利用了多尺度的空谱样本，增加了有用样本，提高了训练的质量，既保留了边缘信息，又提高了样本的多样性和可分性。CN108985365ACN108985365A权利要求书1/1页1.一种基于深度子空间切换集成学习的多源异构数据融合方法，其特征在于按照以下步骤进行：S1：分别对每个源数据集进行特征提取，并将提取的光谱特征和空间特征组成空谱特征；S2：将每个源数据集的空谱特征重组构成空谱特征数据集；S3：基于深度样本学习算法对空谱特征数据集中的样本数据进行处理，形成原始样本、一阶样本和二阶样本；S4：针对三组样本集，分别构建分类器模型；S5：对三组模型分别采用各自合适的分类方式进行分类，得到三组分类结果，然后通过分类投票得到最终的分类结果。2.根据权利要求1所述的基于深度子空间切换集成学习的多源异构数据融合方法，其特征在于：源数据集中的样本包括近红外光谱图像、紫外光光谱图像、可见光光谱图像、远红外光谱图像或拉曼光谱图像中的任何一种或多种组合，且采用快速双边滤波提取其空间特征。3.根据权利要求1所述的基于深度子空间切换集成学习的多源异构数据融合方法，其特征在于：在步骤S3中，根据hold-out交叉验证方法将空谱特征数据集分为训练集和测试集，然后采用基于自组织神经网络(SOM)，由原始样本迭代得到一阶样本，通过一阶样本的迭代得到二阶样本，最终将训练集中的样本分为原始样本、一阶样本和二阶样本。4.根据权利要求1或3所述的基于深度子空间切换集成学习的多源异构数据融合方法，其特征在于：针对原始样本、一阶样本和二阶样本，分别随机选择K个特征子集，然后分别随机选择p1比例的样本并结合半监督学习机制得到K个集成训练集和K个测试集，然后利用微噪声线性降维算法(mNLDR)分别更新K个集成训练集并得到K个新训练集和K个测试集，针对每一个新训练集和测试集对SVM分类器进行训练和测试，得到K个分类器，最后对K个分类器进行集成输出分类结果，从而构建出集成多核SVM分类器模型。5.根据权利要求4所述的基于深度子空间切换集成学习的多源异构数据融合方法，其特征在于：在对原始样本、一阶样本和二阶样本所得分类结果进行投票时，先分别赋予权重。6.根据权利要求4所述的基于深度子空间切换集成学习的多源异构数据融合方法，其特征在于：所述半监督学习机制中从测试集中随机选择q％的样本，然后对其标记并按照：计算样本的可信度d，并随机生成一个(0,1)之间的随机数r，当d＞r时，就把这个样本及其添加的标签加入训练集，其中ytest,i表示测试集中的第i个样本的标签，ytrain,j表示训练集中第j个样本的标签，k表示训练样本的个数。7.根据权利要求1所述的基于深度子空间切换集成学习的多源异构数据融合方法，其特征在于：步骤S4中每一组的分类器模型采用但不限于随机森林模型、神经网络模型以及支持向量机模型中的任何一种。2CN108985365A说明书1/6页基于深度子空间切换集成学习的多源异构数据融合方法技术领域[0001]本发明涉及人工智能技术，具体涉及到一种基于深度子空间切换集成学习的多源异构数据融合方法。背景技术[0002]光谱图像具有十分丰富的光谱和空间信息，这些信息能够准确反映不同地物或组织类别之间的属性差异，并实现其精确提取和识别，为更高精度的光谱影像分析与应用奠定良好基础。但是光谱影像维数高、波段相关性大、存在噪声以及独特的非线性特征等图像特征，给光谱影像分析与处理带来了巨大挑战。传统的光谱影像分