混合机器学习方法在卫星图像变化检测中的应用
和由算法2生成的标签。15. 端FSm的情况。1 217. 端目的:定义两个模糊集,分别用隶属函数lCHi和lUCi表示变化(CH)类和不变(UC)类:程序:18. E是的,我知道。ffiffiffirffiffioffilffidffiffiffiiffiffiffiffiffiffiffiffiffirffiffiffiffiffiiffiffiffiΣffiffi2ffiffi1/11. 设cl/Label/L变换d/;最大值:1;最小值:1;2. 对于i在范围1/2;np]:19. EsPfroldiri23. 如果. pl¼ lclPI½i]>maxmax:2221/1(接下页)MFS3. d1¼成员资格值l2¼[]-2½]1¼.我[1/2]¼半].209年。如果附件:ð Þ¼ðÞ¼Pb <$b ≥ ;¼ ;;· ··;:iii01/12英尺-g.Σ.. ΣΣð Þ.Σgi¼1PB¼≤b≤;¼ ;;·· ·;:iiið Þ≥@Z@a1/1我Max现在对偶问题可以表述为:给定训练1/1我 21/1第1页我 ji j我 J我J我J我21/1我我2019 -02 - 221/1我 我我M976C. Pati等人 /工程科学与技术,国际期刊23(2020)973-981(续)Z¼XM bt Fð8Þ算法3:改变和不变的模糊集设计过程4. 最大¼PI½i]5. else if(p1<- cl PI i min:6. 最小PI i7. 端8. 对于i在范围1/2;np]:应用Eq. (7),Eq. (5)收益率Pbiti¼0千9百万1/1设置等式(8)和(9)在Eq.(5)、问题转化为fb¼XM b-1XM XM b bl l F T F;其中b≥0 <$10 <$L我10. lCHiPI½i]; lUCi0;联系我们1/1j1ij i j我JI11. 其他PI i样本fFi;tigM求拉格朗日乘子fbgM最大-12. lUC imi nn]; lCHi0;13. 端2019 - 01 - 21使目标函数最ii¼114. 返回lCH和lUCfb¼XM b-1XM XM b bl l F T F;其中b≥0 <$11 <$5. OSVM:用于变化检测的有监督方法提出的优化支持向量机(OSVM)是一种用于线性不可分数据集的有监督机器学习方法。该方法通过遗传算法优化支持向量机的核参数来实现。5.1. SVM分类器假设:手头的问题是一个有监督的二元线性可分类问题.训练样本可以定义为Fi2 Rn; i 1; 2;···; M.即,训练样本集由M约束条件为M10和 0i1 2M1/1的最优超平面可以是通过最大化fbw:r:至bi≥0,受约束条件约束PM bil i <$0且bi≥0;i¼1; 2;···;M:5.2. 非线性SVM在该方法中,训练样本通过适当的非线性变换函数u映射到高维特征空间u<$F<$2RN0;N0 >N:在这个RN中,两个类之间的分离可以看作是N维特征空间中的向量。每个训练样本Xi与类级别1 i1相关联;1.一、由于假设类是线性可分的,因此至少存在一个超平面可以分离两个类。设该超平面的方程为ZTFa¼0,其中F为fea。真向量Z2Rn是一个灵活的权矩阵,并偏置一个2R.)ZT Fia≥0如果li 1/21;1/32线性可分的情况。因此,方程中定义的优化问题。(11)可以通过在变换空间u<$Fi<$;uFj中用内积替换Fi;F j来重写。但主要问题是计算uF,这可能被证明是昂贵和耗时的。然而,内核方法提供了一种替代方案来处理这个问题。让我们假设核函数满足上述变换条件,即,G. F; F; U。F; uF。因此,对于非-线性情况可以表述为:对于{Fi,ti} M,找到fb gM的且ZT Fi≤0如果li1/4-1;可能存在无限数量的超平面,最大M MMi=1ii¼1两个类,但我们必须找到一个超平面,其中,fbX b-1X Xb b l i l j g.Fi;Fj最接近的数据点的间距是最大的。这个超平面被称为最优超平面,用于分离这两个我1/12升1我J第1页班最佳Z和α可以通过以下优化问题(p)获得给定训练样本f<$Fi;li<$M,找到Z和a,使得l i Z T F ia ≥1;对于i 1; 2;·· ·;M和Z最小化uZ1jjZjj2。带约束其中,r是正则的-1/1化参数判别函数DF可以表示为:DFXMblgF;Fa13这个问题可以被视为一个原始问题,因为uZ是Z的凸函数,并且约束在Z中是线性的。约束优化问题可以使用拉格朗日乘子来求解。我们可以将拉格朗日公式构造为:12 XMh.Tifz;a;bZjj-btZFa-1 美元5美分基于核的支持向量机提高了支持向量机在大多数现实数据集上的性能,但它涉及到核参数和正则化参数r等多参数选择问题。本文的目的是自动化的过程中,基于核的支持向量机的参数选择使用遗传算法。遗传算法:遗传算法(GA)解决问题从候选人中寻找最佳假设其中bi0称为拉格朗日乘数。这个优化问题的解决方案要求@fZ;a;b06@fZ;a;b0 7应用Eq. (6),Eq. (5)收益率假说.最佳假设被定义为优化预定义的适应性度量的假设。遗传算法的工作原理是在一组称为初始种群的假设条件在每次迭代中测试每个假设的适应度值。然后,通过从当前假设集合中选择一些最佳拟合假设并通过遗传操作产生新的后代个体来生成新的假设集合。这些新的假设集合被向前推进到进一步的迭代。我-.ffiffiffiΣþ2002年f半]--¼一C¼¼CCCCC瓦尔2k- 11/1一AE¼1/1一、采取.ΣC. Pati等人/ Engineering Science and Technology,an International Journal23(2020)973-981977图二. 所提出的变化检测方法的架构。适应度函数测试假设在每一代中的适应度。遗传操作如交叉和变异操作是任意影响质量的素函数。假设是通过它们的质量来选择再生的。具有较高机会的高质量的被选择用于使用轮盘赌轮或锦标赛选择过程的交叉池。进化过程一直持续到满足终止条件。5.3. 基于遗传算法的SVM参数正则化而不是使用假设的核参数的SVM,GA的工作与一组候选的解决方案称为假设空间。为了证明该方法,选择了用于SVM分类器的RBF核。RBF核需要两个参数,C和c,它们必须被优化。提出了一种基于遗传算法的径向基函数核参数优化方法。GA染色体由C和c两部分组成。但是,这些染色体对于不同的内核改变了因子。二进制编码用于表示染色体,CD精度用于适应度函数。染色体的结构是bp;bp-1;···;b1;bq;bq-1;·· ·;bq1pq比特,其中b表示1比特。p是表示参数C的比特数,q是表示参数p的比特数,并且q可以根据所需的计算精度来选择。核参数的精度取决于p和q的值;并且参数的允许最小值和最大值是预定义的。参数的值由Eq.(十四)、racy达到接近100%,或者如果在最后几代中准确度没有提高,或者迭代(500)已经到达。遗传算法的参数设置:种群规模200,交叉率0:75,变异率0:01,两点交叉,轮盘赌选择。6. 实验结果及分析为了调整超参数,实验上进行遥感图像。所提出的工作由三个超参数组成:1)用于特征生成的径向距离d,2)用于切割的a的值,以及3)地面实况数据的%b。为了获得这些参数的最佳值,我们已经对这三个参数的值的组合进行了实验。作为实验-分段,一个用于特征生成的径向距离d1/4p2,考虑用于软标记的三种不同的a-切割,a2 f0: 6; 0: 7; 0: 8gx,和三种不同百分比的地面真实数据b 2; 4;对于验证,分别对2%、4%和5%训练样本进行50倍、25倍和20倍交叉验证。实验用两个符号a;b编码。在标签的预测中考虑两种类型的误差:1)假阳性(FP),其中像素真实标签未改变但预测的标签改变,2)假阴性(FN),其中像素真实标签改变但预测的标签未改变。总误差,E FP FN。在一个k倍实验平均误差a¼½amax-amin]×Xkbi×2i-114PkEK其中,aval是染色体中参数a的值,amaxamin是a的最大和最小允许值,k是用于编码a,b的比特数i是染色体内a的第i比特值适应度函数:像素标注准确率是适应度函数.因此,具有更高准确性的假设产生一个很高的健身价值。具有高适应度值的假设具有高概率传递到下一代。停止准则:通过应用遗传算子生成新一代假设的过程将在准确性之后停止在两个数据集上获得的结果为d 1: 414如表1所示。这些结果表明,超参数d1: 414和a1:0: 7在b1:5时表现更好。还可以观察到,通过将b从2增加到4,误差显著减小,而通过将b从4增加到5,误差减小可忽略。由于实际上地面实况数据的可用性本质上很小,因此我们选择了b/4用于进一步的实验,d为1: 414,a为0: 7。为了直观地比较图3和图4分别绘制了墨西哥和撒丁岛数据集的978C. Pati等人/工程科学与技术,国际期刊23(2020)973表1超参数(a、b和d)调谐实验结果。实验细节的值a切使用的监督数据%K倍平均假阳性K倍平均假阴性K倍平均总误差墨西哥d ¼10.62424462179537652298328310.75220851899589506267427050.8452187521222179732465766260725872945452297208661169629082782墨西哥d¼ 1的数据: 4140.62423442106589703293328090.75220731991552630262526210.8452202920832532508427413253725102945452179208568962328682708Sardinia data Withd¼ 10.6241144958286287143012450.752819879273278109211570.8452838867128018416620910221033148945106492121830712821228撒丁岛数据第1卷: 4140.624511259067932823022381407120810310.70.824529268387731189211175232264113710131005145341037212124959672111178图三. MexicoData的不同Hyper参数HP_a_b和d的结果。见图4。 Sardinia数据的不同Hyper参数HP_a_b和d的结果。由于所提出的方法是一种混合方法,它是监督和无监督机器学习的组合,为了选择合适的技术用于方法的两个组成部分,进行了几个 实 验 考 虑 了 非 监 督技 术 , 例如 基 于 密 度 的 聚 类 技 术 修 订 的DBSCAN[23]、k-means[21]和模糊c-均值(FCM)[22]支持向量机、带软标记的OSVM、 RBF网络(15个隐层单元:9-15-1)、MLP 1(浅网络:结构-9-20-1,活动-使用的函数- sigmoid)、MLP 2(深度网络:结构-9-5-5-5-1,使用的激活函数- sigmoid)被认为是监督方法。实验进行考虑一个聚类和一个分类技术的时间。5%的训练模式用于监督学习,并进行20倍交叉验证。两个数据集获得的结果见表2。为了进行直观比较,两个条形图均显示在图1中。 5和6. 结果表明,--C. Pati等人/ Engineering Science and Technology,an International Journal23(2020)973-981979表2有监督和无监督机器学习模型选择。使用的数据集采用办法20-平均MA20-平均FA20-平均TE墨西哥数据集DBSCAN22737192992DBSCAN20216462677DBSCAN27998943693DBSCAN27958833678DBSCAN26358313466k-Means24847833267软标记k-Means21206712791k-Means28178933710k均值29119193830k均值28138923705模糊C均值21856942879软标记FCM-OSVM19076032510FCM27838823665FCM27298593588FCM28819063787撒丁岛数据集DBSCAN9312801211DBSCAN8342541097DBSCAN10253081333DBSCAN10383121350DBSCAN9932951288k-Means9632901253软标记k-Means8752631138k-Means10833221405k均值11253281453k均值10733261399模糊C均值9022711173软标记FCM-OSVM7732321005FCM10333121345FCM10123051317FCM10593181377与其他组合相比,FCM + OSVM与软标记提供了更好的结果为了评估所提出的技术的效率,对两个数据集进行了测试,并将使用所提出的方法记录的性能与基于SVM,MLP[19]和RBF网络[20]的三种监督方法以及两种无监督方法进行了比较。方法基于对K 意味 [21日]和Fuzzyc表示[22]。对于所提出的方法,5%的训练模式被认为是和20倍的交叉验证,以验证的准确性。对于监督方法,使用70%的训练数据和30%的测试数据。对于SVM,接近c¼1和c¼0的值:2。对于MLP,网络有9个输入见图6。有监督和无监督机器学习模型选择:Sariania Data。图五.有监督和无监督机器学习模型选择:墨西哥数据。单元在输入层,2个内层,每层3个单元,1个节点在输出层。每个单元中使用的激活函数是Sig-moid。RBF网络的输入层有9个节点,隐层有20个节点,输出层有1个节点。两个数据集获得的结果见表3。为了进行直观比较,图7中给出了条形图。这些结果表明,监督的方法提供了更好的结果相比,无监督的方法。然而,在现实中,获得大量的标记数据是不可能的,在这个问题。然而,所提出的混合方法给出了一个优越的结果与少数(只有5%)标记的数据.-980度Pati等人/工程科学与技术,国际期刊23(2020)973表3独立应用监督和无监督学习模型的性能比较无监督模糊2 -均值无监督模糊2-均值1269 401 1670PA 773 232 1005见图8。 与最近方法的性能比较。见图7。监督和无监督学习模型独立。表4与最近方法的性能比较。使用的数据集接近20倍使用的平均MA20倍平均FA20倍平均TE使用无监督学习生成此外,随着软标记和少量的地面真实数据,使用OSVM应用监督学习。在本研究中,模糊C意味 作为无监督学习的基本方法。实验在多时相卫星数据集上进行,以验证墨西哥数据集DFMA 2871 912 3783MRFA 3725 1172 4897MCSA 1971 664 2605电话:1907 603 2510所提出的方法的有效性。从结果中可以看出,当少量的监督数据可用时,所提出的混合机器学习方法所提出的方法与最近的方法进行了比较。将基于马尔可夫随机场的方法(MRFA)[24]、基于深度特征映射的方法(DFMA)[25]和基于多分类器系统的方法(MCSA)[26]的变化检测结果与所提出的方法(PA)进行比较。5%的训练模式用于监督学习,并执行20倍交叉验证。两个数据集获得的结果见表4。对于视觉对比,条形图如图8所示。结果表明,该方法提供了更好的结果相比,最近的方法。7. 结论提出了一种基于混合机器学习的变化检测方法。在这种方法中,作者要感谢Jaideep Talukdar教授的全面和建设性的评论,这有助于提高本文的质量。引用[1] A. Singh,使用遥感数据的数字变化检测技术,Int. J. 《 遥感》,10(6)(1989)989-1003。[2] A.M. Roy,S. Ghosh,A. Ghosh,主动学习模式下的神经网络方法用于遥感图像的变化检测,IEEE J. Sel. Top.应用地球观测远程传感器7(4)(2014)1200-1206。[3] M.萨内蒂湖Bruzzone,多光谱图像中二进制变化检测的广义统计模型,在:地球科学与遥感研讨会(IGARSS),2016 IEEE国际,IEEE,2016年,pp.3378-3381。[4] A.P. 图克斯伯里,A.J.新泽西州康伯Tate,A.Lamb,P.F.傅立叶,遥感光学图像变化检测技术的关键综合,遥感。Environ. 160(2015)1-14。[5] S.戈什湖,澳-地Bruzzone,S. Patra,F. Bovolo,A. Ghosh,基于Hopfield型神经网络的无监督变化检测的上下文敏感技术,IEEE Trans. 地球科学远程传感器 45(3)(2007)778-789。使用的数据集采用办法20-平均MA20-平均FA20-平均TE墨西哥数据集监督SVM12623161578监督MLP13803051685监督RBF网络13253401665无监督2均值3113283587994539923780PA19076032510撒丁岛数据集监督SVM705202907有监督MLP有监督RBF网络无监督2-Means79068513121982943939889791705撒丁岛数据集DFMA12513781629MRFA16535042157MCSA9012721173致谢PA7732321005C. Pati等人/ Engineering Science and Technology,an International Journal23(2020)973-981981[6] L. Bruzzone,D.F. Prieto,An mrf approach to unsupervised change detection,in : Proceedings of International Conference on Image Processing : ICIP 99,IEEE,1999,pp. 143- 147[7] K. Islam,M.贾希穆丁湾Nath,T.K.利用多时相遥感图像进行土地利用分类和变化探测:以孟加拉国和埃及的丘纳蒂野生动物保护区为例。J. Remote Sens. Space Sci.21(1)(2018)37-47。[8] F. Yuan,K.E.Sawaya,BCLoeffelholz,M.E.王文,等,中国城市土地覆盖分类与变化研究,北京:中国城市科学院。98(2)(2005)317-328。[9] G. 坎 普 斯 瓦 尔 斯 湖 Gómez-Chova , J. Munoz-Marvel , J.L. Rojo-Alvarez , M.Martınez-Ramon , 基 于 核 的多 时 相 和 多 光 谱 遥感 数 据 分 类 和变 化 检 测 框 架,IEEETrans. 地球科学远程传感器 46(6)(2008)1822-1835。[10] F. Melgani,G. Moser,S.B. Serpico,遥感图像的无监督变化检测方法,Opt. Eng.41(12)(2002)3288-3297。[11] D. Liu,K. Song,J.R.龚平,利用马尔可夫随机场局部转移概率模型进行森林变化检测,遥感。Environ. 112(5)(2008)2222-2231。[12] G. Pajares,一种用于图像变化检测的Hopfield神经网络,IEEE Trans. 神经网络17(5)(2006)1250[13] L. Bruzzone,D.F. Prieto,用于无监督变化检测的差分图像的自动分析,IEEETrans.Geosci。38(3)(2000)1171-1182.[14] F.博沃洛湖Bruzzone,基于极域变化向量分析的无监督变化检测理论框架,IEEE Trans. 地球科学Remote Sens.45(1)(2007)218-236.[15] F.博沃洛湖Bruzzone,M. Marconcini,基于半监督SVM和相似性度量的无监督变化检测新方法,IEEE Trans. Geosci.遥感46(7)(2008)2070-2082。[16] C. Cortes,V. Vapnik,Support Vector Networks,Mach.学习. 20(3)(1995)273- 297。[17] E.图巴湾图巴湾Beko,在:支持向量机参数优化增强烟花算法,施普林格,2016年,pp。 526- 534[18] C.- L.黄角,澳-地王军,基于遗传算法的支持向量机特征选择与参数优化,专家系统应用,31(2)(2006)231-240。[19] M.T. Hagan,H.B.Demuth,M.H.Beale,O. 神经网络设计,北京:计算机科学出版社,1996.[20] M.J. Orr等人,介绍径向基函数网络,1996年。[21] S. Basu , A. 班 纳 吉 河 Mooney , Semi-supervised clustering by seeding ,Proceedings of 19th International Conference on Machine Learning(ICML-2002)。Citeseer),2002年。[22] N.S.米什拉河Ghosh,A.高希,结合局部信息的模糊聚类算法在遥感图像变化检测,应用软件计算。12(8)(2012)2683-2692。[23] T.N. Tran,K.德拉布,M.Daszykowski,修正的DBSCAN算法对具有密集相邻簇的数据进行聚类,Chemometr。内特尔实验室120(2013)92-96。[24] A.G.韦湖,澳-地Zhihan,H.明,基于改进马尔可夫随机场的遥感图像变化检测方法,多媒体工具应用。 76(17)(2017)17719-17734。[25] P. Zhang,M.贡湖,澳-地Su,J. Liu,Z. Li,基于深度特征表示的变化检测和映射转型为多空间分辨率遥感图像,ISPRS J. Photogramm.远程传感器116(2016)24-41.[26] M. 罗伊,S。Ghosh,A.Ghosh,使用半监督多分类器系统进行遥感图像变化检测的新方法,Inf.Sci。269(2014)35-47。[27] L. Xu,H.Zhang,M.Zhao,中国粘蝇D.Chu,Y.Li,使用低秩表示集成光谱和空间特征用于高光谱图像分类,在:IEEE国际工业技术会议(ICIT)会议录,IEEE,2017年,pp. 1024- 1029[28] W.A. Malila,《变化矢量分析:用陆地卫星探测森林变化的方法》,LARS专题讨论会,1980年,第385页。Chinmayee Pati获得了B.Tech。2010年获得Bijupatnaik技术大学布巴内斯瓦尔工程学院计算机科学工程学位,2013年获得Utkal大学计算机科学与应用PG系计算机科学工程学位。目前她正在攻读博士学位。获得Utkal大学计算机科学与应用系学位。她的研究兴趣包括图像处理,机器学习和软计算。Ashok Kumar Panda于1999年获得MCA学位,2006年获得Utkal大学计算机科学学位。2000年,他加入了布巴内斯瓦尔科学信息技术研究所的MCA系,目前他是高级助理教授。他也是Utkal大学计算机科学与应用PG系的研究学者。他的研究兴趣包括图像处理,机器学习和实时数据库系统。Ajaya Kumar Tripathy博士是印度布巴内斯瓦尔硅技术学院计算机科学与工程系的副教授。特里帕蒂博士拥有专业的医学技术。2008年获得意大利特伦托大学电子政务学位。2007年,他完成了M.Tech。印度Utkal大学计算机科学学位。从2008年到2010年,他是意大利特伦托布鲁诺·凯斯勒基金会(FBK)SOA研究部门的博士生。Tripathy博士还曾在印度统计研究所和意大
下载后可阅读完整内容,剩余1页未读,立即下载
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
- 粉丝: 4
- 资源: 2万+
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 京瓷TASKalfa系列维修手册:安全与操作指南
- 小波变换在视频压缩中的应用
- Microsoft OfficeXP详解:WordXP、ExcelXP和PowerPointXP
- 雀巢在线媒介投放策划:门户网站与广告效果分析
- 用友NC-V56供应链功能升级详解(84页)
- 计算机病毒与防御策略探索
- 企业网NAT技术实践:2022年部署互联网出口策略
- 软件测试面试必备:概念、原则与常见问题解析
- 2022年Windows IIS服务器内外网配置详解与Serv-U FTP服务器安装
- 中国联通:企业级ICT转型与创新实践
- C#图形图像编程深入解析:GDI+与多媒体应用
- Xilinx AXI Interconnect v2.1用户指南
- DIY编程电缆全攻略:接口类型与自制指南
- 电脑维护与硬盘数据恢复指南
- 计算机网络技术专业剖析:人才培养与改革
- 量化多因子指数增强策略:微观视角的实证分析
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)