基于主动半监督学习的遥感影像分类

遥感影像的分类是遥感数据在土地资源分析及应用的第一步，是人们获取遥感信息的一种重要手段。针对遥感数据具有的高维数、小样本和数据量大的特性，利用机器学习理论和方法，研究遥感影像的分类问题。内容包括：为克服维数灾困难，将稀疏编码技术引入邻接图的构造，设计一种基于稀疏编码的遥感影像特征提取算法及其正交化、张量化和半监督化扩展；为提高分类器的泛化能力，设计一种具有稀疏特性的监督型L1范数支持向量机；为解决有标记样本少导致分类精度下降的问题，将L1范数支持向量机进行半监督化扩展；为快速、高效地从大规模遥感数据中主动选择最有利于改善分类器性能的样本添加到已标记样本中进行学习，提出一种主动半监督L1范数支持向量机；基于上述理论研究成果，开发遥感影像自动分类系统。研究成果不但可以为解决遥感影像分类问题提供新的分析设计方法和技术储备，而且可以进一步深化和丰富现有的机器学习理论，具有重大理论意义和实用价值。

针对遥感数据具有的高维数、小样本和数据量大的特性，利用机器学习理论和方法，研究遥感影像的降维和分类问题。在降维算法方面：为保持每个样本间的稀疏结构关系和各样本的内在流形结构不变，提出非负稀疏嵌入投影降维算法。针对非负稀疏表示存在计算复杂、重构精度低等问题，引入超完备块字典，设计了基于块非负稀疏表示的高光谱数据降维算法。针对高光谱数据的张量特性，提出一种同时考虑高光谱地物的空间特征和光谱特征的基于张量距离补丁校准的降维算法。利用迁移学习技术，提出一种基于成对约束判别分析-非负稀疏散度的降维算法。采用加权距离度量测度来衡量样本间的相似度并进而选择近邻样本，提出一种基于加权近邻保持嵌入的降维算法。通过对数据集上的全部样本构造相似图和惩罚图，提出一种基于图的半监督判别局部排列降维算法。在分类算法方面：针对传统支持向量机不能正确分类不确定性及受干扰样本的缺陷，设计一种概率型最小二乘支持向量分类机。针对高维数、小样本数据分类问题，提出一种基于随机子空间-正交局部保持投影的支持向量机。将准熵和熵差分融合，提出一种基于混合熵和L1范数的遥感图像分类方法。提出一种基于软间隔委员会投票主动学习的遥感影像分类方法，可适用于含噪声或数据线性不可分的应用场合。为解决最大相关最小冗余属性选择方法易于引入冗余属性的问题，提出一种类相关性影响可变选择性贝叶斯分类器。针对有标签样本较少导致的属性评价不准确问题，提出一种基于半监督聚类的选择性贝叶斯分类器。此外，根据国内外与本项目相关内容的发展情况，还对半监督学习、迁移学习和强化学习等进行了研究。基于上述成果，申请发明专利2项，获教育部高等学校自然科学二等奖1项，指导博士后2名，培养博、硕士研究生7名，出版专著2部，发表/录用学术论文37篇，被SCI收录7篇，被Ei收录21篇。