基于自編碼神經(jīng)網(wǎng)絡(luò)的航空物探遙感數(shù)據(jù)分類方法研究

于 劉

(上海航空工業(yè)(集團(tuán))有限公司，上海 201206)

0 引言

航空物探即航空地球物理探測(cè)，是利用航空器搭載的物探設(shè)備對(duì)地下結(jié)構(gòu)進(jìn)行探測(cè)的一種技術(shù)。通過(guò)測(cè)量地下反射波或傳播路徑的變化，可以獲取地下介質(zhì)的信息。相比于傳統(tǒng)的地面物探方法，航空物探可以克服地理、地形、氣候等方面的不利因素；快速、高效、省時(shí)、能在較短時(shí)間內(nèi)獲取大范圍的勘探數(shù)據(jù)；在航空物探過(guò)程中，通常以遙感作為技術(shù)手段[1]，即利用各種飛機(jī)、飛艇、氣球等作為傳感載體，通過(guò)遙感技術(shù)對(duì)目標(biāo)的電磁波輻射、反射特性進(jìn)行遙感探測(cè)。航空物探具有覆蓋范圍廣、速度快、數(shù)據(jù)精度高等優(yōu)點(diǎn)，因此在勘探、地質(zhì)災(zāi)害預(yù)警等領(lǐng)域得到了廣泛應(yīng)用。

航空物探遙感數(shù)據(jù)記錄了地球上物體在觀測(cè)期間的電磁輻射特性，這是最直接反映地球物象信息的方法，并且能夠根據(jù)光度、像元的高度和空間的變化，反映出各種屬性的地物目標(biāo)和它們的分布情況。在遙感數(shù)據(jù)中，同一類型的地物，其頻譜、空間信息特性應(yīng)當(dāng)是一致的，但在同一條件下，其頻譜、空間信息的特點(diǎn)也是不同的[2]。遙感數(shù)據(jù)分類就是根據(jù)地物光譜能量與空間結(jié)構(gòu)特性的差別，通過(guò)計(jì)算機(jī)對(duì)各種類型的地物進(jìn)行分析、處理，將其分成相應(yīng)的類型，并從中抽取出相關(guān)的主題信息。文獻(xiàn)[3]提出的基于深度傳遞遷移學(xué)習(xí)的遙感影像分類方法以ImageNet預(yù)訓(xùn)練權(quán)重為源域、待分類遙感影像為目標(biāo)域進(jìn)行遷移學(xué)習(xí)，通過(guò)對(duì)目標(biāo)域數(shù)據(jù)集的遷移學(xué)習(xí)、訓(xùn)練，得出分類結(jié)果。文獻(xiàn)[4]中提出了基于對(duì)比學(xué)習(xí)方法的遙感影像分類方法，該方法解決了遙感數(shù)據(jù)特征提取與分類時(shí)標(biāo)注數(shù)據(jù)不足的問(wèn)題，而文獻(xiàn)[5]提出的基于改進(jìn)光譜角法的遙感分類方法以紅樹(shù)林作為分類對(duì)象，利用影像端元光譜進(jìn)行地物分類。上述現(xiàn)有的遙感數(shù)據(jù)分類方法在處理航空物探遙感數(shù)據(jù)過(guò)程中存在分類精度低的問(wèn)題，為此引入自編碼神經(jīng)網(wǎng)絡(luò)算法。

神經(jīng)網(wǎng)絡(luò)是模擬動(dòng)物神經(jīng)網(wǎng)絡(luò)的行為特點(diǎn)，對(duì)分布的平行信息進(jìn)行處理的一種算法。該網(wǎng)絡(luò)依賴于系統(tǒng)自身的復(fù)雜性，通過(guò)調(diào)節(jié)大量的節(jié)點(diǎn)間的聯(lián)系來(lái)實(shí)現(xiàn)對(duì)數(shù)據(jù)的處理，同時(shí)還具備自學(xué)習(xí)和自適應(yīng)的功能。而自編碼神經(jīng)網(wǎng)絡(luò)算法是神經(jīng)網(wǎng)絡(luò)的一種，使用反向傳播算法來(lái)訓(xùn)練網(wǎng)絡(luò)使得輸出等于輸入。將自編碼神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到航空物探遙感數(shù)據(jù)分類方法的優(yōu)化設(shè)計(jì)工作中，以期能夠提升遙感數(shù)據(jù)的分類精度。

1 航空物探遙感數(shù)據(jù)分類方法設(shè)計(jì)

所設(shè)計(jì)的航空物探遙感數(shù)據(jù)分類方法以劃分?jǐn)?shù)據(jù)中的地物類型為目的，基于自編碼神經(jīng)網(wǎng)絡(luò)算法提取航空物探遙感數(shù)據(jù)中的基本特征，并通過(guò)提取特征與設(shè)置標(biāo)準(zhǔn)特征之間的匹配，最終確定當(dāng)前航空物探遙感數(shù)據(jù)的所屬類型。由于航空物探遙感數(shù)據(jù)常以圖像的形式進(jìn)行采集與分析，此次優(yōu)化設(shè)計(jì)的分類方法以遙感圖像作為分類對(duì)象。

1.1 設(shè)置航空物探遙感數(shù)據(jù)分類標(biāo)準(zhǔn)

(1)

式中，?1、?2和?3分別為光譜、邊緣形狀、紋理特征分量的對(duì)應(yīng)權(quán)重[6]。同理可以得出其他航空物探遙感數(shù)據(jù)類型的標(biāo)準(zhǔn)特征設(shè)置結(jié)果，將第i類遙感數(shù)據(jù)類型的劃分標(biāo)準(zhǔn)標(biāo)記為τstandard(i)。

1.2 航空物探遙感數(shù)據(jù)預(yù)處理

航空物探遙感數(shù)據(jù)的清晰度質(zhì)量直接決定了遙感數(shù)據(jù)的分類性能，為此需要通過(guò)預(yù)處理提升初始遙感數(shù)據(jù)的質(zhì)量。

1.2.1 輻射校正

輻射校正的目的是消除圖像中因大氣散射引起的輻射照度，并通過(guò)絕對(duì)輻射修正方法進(jìn)行修正，在修正時(shí)必須獲得輻射亮度、反射率等相關(guān)參數(shù)，并進(jìn)行相應(yīng)的調(diào)整，以使圖像數(shù)據(jù)處理的標(biāo)準(zhǔn)值得到修正，這樣就可以減少某些干擾因素對(duì)圖像分類的影響[7]。在航空物探遙感數(shù)據(jù)生成過(guò)程中，電磁波要經(jīng)過(guò)大氣的傳播，由于電磁波與大氣層的交互作用，會(huì)導(dǎo)致一部分電磁波被大氣層所吸收。通過(guò)大氣層到達(dá)地面的輻射照度可以表示為：

L=μreflex[Qw(λ)cosθzenithexp(-Hθzenith)+Qm]

(2)

式中，μreflex為地物表面反射率，Qw(λ)和Qm為波長(zhǎng)為λ的太陽(yáng)光譜的太陽(yáng)光譜輻照度和大氣光漫射到地表的光譜輻照度，θzenith為太陽(yáng)天頂角，H表示的是波長(zhǎng)的大氣光學(xué)厚度[8]。同理可以得出遙感數(shù)據(jù)輻射校正的其他參數(shù)，對(duì)相關(guān)參數(shù)進(jìn)行逆運(yùn)算，并疊加到初始航空物探遙感數(shù)據(jù)中，完成初始遙感數(shù)據(jù)的輻射校正操作。

1.2.2 幾何糾正

遙感數(shù)據(jù)的幾何校正是將遙感圖像的幾何位置與一定的地理坐標(biāo)相一致，從而達(dá)到與地圖匹配的目的。在進(jìn)行遙感影像幾何校正時(shí)，首先要考慮的是空間位置問(wèn)題，即利用地面控制點(diǎn)的數(shù)據(jù)，將原始遙感影像的幾何失真過(guò)程進(jìn)行數(shù)值模擬，再采用重采樣技術(shù)，在原有的坐標(biāo)空間和基準(zhǔn)坐標(biāo)空間中建立一定的對(duì)應(yīng)關(guān)系[9]。航空物探遙感數(shù)據(jù)的幾何糾正可以分為平移、旋轉(zhuǎn)等步驟，其中平移糾正處理過(guò)程可以表示為：

(3)

式中，Δx和Δy分別為水平和豎直兩個(gè)方向上的平移量，(x，y)和(xcorrect，ycorrect)對(duì)應(yīng)的是幾何糾正前后的航空物探位置遙感數(shù)據(jù)。同理可以得出遙感數(shù)據(jù)的旋轉(zhuǎn)糾正處理結(jié)果，從而完成幾何糾正工作。

1.2.3 噪聲消除

采用連續(xù)小波變換的方式消除航空物探遙感數(shù)據(jù)中存在的噪聲元素，處理過(guò)程如下：

(4)

式中，a和b均為隨機(jī)數(shù)，F(xiàn)(x)為初始輸入的航空物探遙感數(shù)據(jù)，R為遙感數(shù)據(jù)量，φ()為小波函數(shù)ψ()的復(fù)共軛。將航空物探遙感數(shù)據(jù)代入到公式(4)中，實(shí)現(xiàn)遙感數(shù)據(jù)中噪聲元素的消除。

1.2.4 波段選擇與組合

為了使圖像更好地滿足分類要求，同時(shí)盡量減少對(duì)圖像的影響，采用最佳指數(shù)因子分析方法，對(duì)遙感數(shù)據(jù)進(jìn)行多頻譜的優(yōu)化組合，以選出最適合的頻譜特征子集。這種方法的基本思路是：隨著遙感數(shù)據(jù)的標(biāo)準(zhǔn)偏差越大，信息越多，信息的相關(guān)性越高，信息的冗余性越低。波段最佳指數(shù)因子的計(jì)算公式如下：

(5)

式中，σi和sij分別表示第i波段的標(biāo)準(zhǔn)差及其與波段j之間的相關(guān)系數(shù)，其中變量sij的計(jì)算公式為：

(6)

式中，λi和λj為兩波段的波長(zhǎng)值。將公式(6)的計(jì)算結(jié)果代入到公式(5)中，確定波段的最佳組合指數(shù)因子，選擇航空物探遙感數(shù)據(jù)中合適的波段，并按照指數(shù)計(jì)算結(jié)果完成組合工作。

1.2.5 航空物探遙感影像分割

針對(duì)航空物探遙感影像數(shù)據(jù)，采用SLIC分割的方式進(jìn)行分割處理，具體的處理過(guò)程如圖1所示。

按照?qǐng)D1表示流程，對(duì)航空物探遙感影像中所有像素點(diǎn)的聚類中心以及像素緊密度的間距進(jìn)行測(cè)量，測(cè)量結(jié)果為：

(7)

式中，變量dcolour和dspace分別為顏色距離和空間距離，δ為空間鄰近性和顏色的相對(duì)重要性[10]。在此基礎(chǔ)上，根據(jù)不同位置上距離的變化情況，對(duì)D進(jìn)行迭代和更新，利用公式(8)得出殘差的計(jì)算結(jié)果。

ε=dcolour-dspace

(8)

將公式(8)的計(jì)算結(jié)果與設(shè)置的殘差閾值進(jìn)行比對(duì)，確定該位置是否需要分割，反復(fù)執(zhí)行上述操作，完成對(duì)航空物探遙感影像數(shù)據(jù)的分割結(jié)果。

1.3 構(gòu)建自編碼神經(jīng)網(wǎng)絡(luò)

自編碼神經(jīng)網(wǎng)絡(luò)中的自編碼器由編碼器和解碼器組成，其基本結(jié)構(gòu)如圖2所示。

圖2 自編碼器結(jié)構(gòu)示意圖

自編碼器的工作原理是：把輸入信號(hào)轉(zhuǎn)換成編碼信號(hào)Y，譯碼器把編碼信號(hào)Y轉(zhuǎn)換成重建信號(hào)，同時(shí)，自編碼器的功能是使輸入盡可能恢復(fù)輸入，編碼信號(hào)y就是從自編碼器中抽取的特征[11]。自編碼器中編碼和解碼過(guò)程可以量化表示為：

(9)

式中，fencoded()和fdecipher()分別為編碼器和解碼器中的激活函數(shù)，W1、W2、β1和β1對(duì)應(yīng)的是編碼器和解碼器內(nèi)部的連接權(quán)值矩陣和偏置值[12]。構(gòu)建自編碼器的代價(jià)函數(shù)可以表示為：

(10)

圖3 自編碼神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

將各隱層依次連接到自編碼器中，從圖3中可以看出構(gòu)建的自編碼神經(jīng)網(wǎng)絡(luò)共六層，能夠更好地提取特征和節(jié)約時(shí)間。

1.4 利用自編碼神經(jīng)網(wǎng)絡(luò)算法提取遙感數(shù)據(jù)特征

利用構(gòu)建的自編碼神經(jīng)網(wǎng)絡(luò)將處理完成的航空物探遙感數(shù)據(jù)輸入其中，通過(guò)迭代訓(xùn)練得出遙感數(shù)據(jù)特征的提取結(jié)果[13]。自編碼神經(jīng)網(wǎng)絡(luò)的訓(xùn)練包括正向傳播和反向傳播兩個(gè)過(guò)程，將上述兩個(gè)過(guò)程重復(fù)進(jìn)行，以使誤差達(dá)到最小或達(dá)到規(guī)定的容許誤差。自編碼神經(jīng)網(wǎng)絡(luò)的基本訓(xùn)練流程如圖4所示。

圖4 自編碼神經(jīng)網(wǎng)絡(luò)訓(xùn)練原理圖

定義輸入自編碼神經(jīng)網(wǎng)絡(luò)中的初始航空物探遙感數(shù)據(jù)為Xremote sense，那么隱含層的輸入值和輸出值可以表示為：

(11)

式中，?implication和fimplication()分別為隱含層權(quán)值和激活函數(shù)，ζi為隱含層節(jié)點(diǎn)閾值，其中fimplication()的函數(shù)表達(dá)式為：

(12)

(13)

式中，變量?out、fout()和ζo分別為輸出層節(jié)點(diǎn)的權(quán)值、激活函數(shù)和閾值[14]。在這個(gè)過(guò)程中，從輸入層到輸出層的信息通過(guò)分層的方式傳輸。在網(wǎng)絡(luò)訓(xùn)練結(jié)束后，這個(gè)過(guò)程也可以正常地進(jìn)行分類。在反向傳播過(guò)程中，自編碼神經(jīng)網(wǎng)絡(luò)的誤差目標(biāo)函數(shù)可以表示為：

(14)

式中，yout-expect為自編碼神經(jīng)網(wǎng)絡(luò)的預(yù)期輸出值。若公式(14)的計(jì)算結(jié)果不為0，則需要利用公式(15)對(duì)自編碼神經(jīng)網(wǎng)絡(luò)中的相關(guān)參數(shù)進(jìn)行更新。

式中α為學(xué)習(xí)率。重復(fù)上述操作，當(dāng)計(jì)算得出εerr取值為0時(shí)，反向傳播進(jìn)程結(jié)束，輸出結(jié)果即為特征提取結(jié)果[15]。按照上述流程，從光譜、形狀、紋理、植被指數(shù)等方面，提取航空物探遙感數(shù)據(jù)特征。航空物探遙感數(shù)據(jù)的光譜特征信息的提取與對(duì)象像元的灰度信息相關(guān)聯(lián)，反映了實(shí)際目標(biāo)地物的物理光學(xué)信息屬性，光譜特征的提取結(jié)果如下：

(16)

式中，變量npixel為遙感數(shù)據(jù)中的像素?cái)?shù)量，ri和τσ為像素點(diǎn)i的像素值和均值，最終的特征提取結(jié)果τg-χ和τg-b分別表示遙感數(shù)據(jù)的光譜方差和亮度，τg-χ用來(lái)描述遙感數(shù)據(jù)的離散情況，τg-b反映的是遙感數(shù)據(jù)的亮度特征信息[16]。此外遙感數(shù)據(jù)紋理特征反映了圖像灰度信息在空間上的相互關(guān)系，是區(qū)別不同地物目標(biāo)的一個(gè)重要宏觀指標(biāo)，能夠有效地克服“同物異譜”的問(wèn)題。航空物探遙感數(shù)據(jù)紋理特征的提取結(jié)果為：

(17)

式中，P(i，j)為遙感數(shù)據(jù)中任意兩個(gè)樣本的聯(lián)合概率[17]。同理可以得出形狀以及植被指數(shù)等其他特征的提取結(jié)果，并對(duì)提取的所有特征分量進(jìn)行融合處理，并對(duì)融合特征進(jìn)行逐一標(biāo)記[18]。

1.5 實(shí)現(xiàn)航空物探遙感數(shù)據(jù)分類

以自編碼神經(jīng)網(wǎng)絡(luò)提取的遙感數(shù)據(jù)特征為處理對(duì)象，采用特征匹配的方式確定當(dāng)前航空物探遙感數(shù)據(jù)的所屬類型[19-20]，具體的匹配過(guò)程如下：

(18)

式中，τdraw為提取的遙感數(shù)據(jù)特征，ntype為設(shè)置的航空物探遙感數(shù)據(jù)類型數(shù)量。若公式(18)的計(jì)算結(jié)果高于閾值φ0，說(shuō)明當(dāng)前航空物探遙感數(shù)據(jù)類型與τstandard(i)對(duì)應(yīng)類型一致，否則需要進(jìn)行下一類型的匹配，直至確定數(shù)據(jù)類型為止。

2 分類性能實(shí)驗(yàn)分析

為了驗(yàn)證優(yōu)化設(shè)計(jì)基于自編碼神經(jīng)網(wǎng)絡(luò)的航空物探遙感數(shù)據(jù)分類方法的分類性能，針對(duì)全局遙感和局部遙感兩種數(shù)據(jù)，設(shè)計(jì)分類性能實(shí)驗(yàn)，根據(jù)遙感數(shù)據(jù)的準(zhǔn)備情況確定其所屬類型，以此作為判斷設(shè)計(jì)方法是否分類正確的評(píng)價(jià)標(biāo)準(zhǔn)，通過(guò)多數(shù)據(jù)的統(tǒng)計(jì)與對(duì)比，證明所提方法在分類性能方面的優(yōu)勢(shì)。

2.1 準(zhǔn)備航空物探遙感數(shù)據(jù)樣本

此次實(shí)驗(yàn)選擇的待分類的航空物探遙感數(shù)據(jù)均為現(xiàn)場(chǎng)采集數(shù)據(jù)，可以通過(guò)對(duì)數(shù)據(jù)采樣對(duì)象的選擇，確定生成數(shù)據(jù)樣本的所屬類型。

2、定時(shí)約談，讓學(xué)生保持傾訴的習(xí)慣，隨時(shí)掌握思想動(dòng)態(tài)。學(xué)生突然變得有自閉傾向，主要原因是心理矛盾沖突，有話說(shuō)不出口，不知道向誰(shuí)說(shuō)，利用電話、短信、QQ等線上交流方式，時(shí)刻掌握事情發(fā)展動(dòng)態(tài)及學(xué)生心理。

2.1.1 航空物探遙感區(qū)域概況

實(shí)驗(yàn)以上海航空工業(yè)(集團(tuán))有限公司作為研究背景，因此選擇上海周邊區(qū)域作為航空物探對(duì)象。上海由16個(gè)市轄區(qū)組成，總面積約為6 300 km2，行政區(qū)具體包括黃浦區(qū)、浦東新區(qū)、徐匯區(qū)等，區(qū)域內(nèi)部包括3個(gè)島嶼、12座山峰，山峰的平均海拔高度為99米，滿足航空物探遙感數(shù)據(jù)的采集條件。

2.1.2 航空物探遙感設(shè)備飛行準(zhǔn)備與實(shí)施

航空物探遙感分類數(shù)據(jù)主要利用型號(hào)為H501A的飛行器及其內(nèi)置的相機(jī)進(jìn)行采集，在實(shí)驗(yàn)之前需要對(duì)相關(guān)的遙感采集設(shè)備進(jìn)行準(zhǔn)備與調(diào)試，保證飛行器能夠按照既定路線飛行，并獲得預(yù)期的物探遙感數(shù)據(jù)。設(shè)定航空物探遙感設(shè)備飛行區(qū)域?yàn)闁|經(jīng)120°52′～122°12′，北緯30°40′～31°53′，根據(jù)遙感數(shù)據(jù)的分辨率要求，確定遙感設(shè)備的飛行高度，而在局部遙感數(shù)據(jù)采集任務(wù)中設(shè)備的飛行高度為300 m。在考慮研究區(qū)域地理位置、天氣條件的情況下，確定航空物探遙感數(shù)據(jù)的采集時(shí)間，向預(yù)定飛行區(qū)域所屬軍區(qū)提出空域請(qǐng)求，經(jīng)所屬軍區(qū)批準(zhǔn)后，應(yīng)提出停放、飛行和試驗(yàn)操作員進(jìn)出機(jī)場(chǎng)的請(qǐng)求，若試驗(yàn)飛行器未停放在擬停放機(jī)場(chǎng)，則應(yīng)將飛行器調(diào)到擬停放機(jī)場(chǎng)。根據(jù)研究區(qū)域的分布情況生成飛行航線，在飛行器內(nèi)部控制器與通信系統(tǒng)的協(xié)同作用下，執(zhí)行飛行任務(wù)。

2.1.3 采集航空物探遙感數(shù)據(jù)

以航空物探遙感設(shè)備為硬件支持，采用實(shí)時(shí)采集的方式，得出航空物探遙感樣本數(shù)據(jù)。全局遙感數(shù)據(jù)的采集波段數(shù)為128，分辨率為200 ppi，掃描寬度為512像元，瞬時(shí)視場(chǎng)和總視場(chǎng)分別為5°和90°，而在局部遙感數(shù)據(jù)的采集過(guò)程中波段數(shù)參數(shù)不變，分辨率為160 ppi，掃描寬度設(shè)置為256像元，瞬時(shí)視場(chǎng)和總視場(chǎng)調(diào)整至3°和60°。航空物探遙感數(shù)據(jù)的采集頻率均為50 Hz，數(shù)據(jù)編碼參數(shù)為12 bit，最終以遙感影像的方式輸出。

2.1.4 數(shù)據(jù)分組與導(dǎo)入

根據(jù)航空物探對(duì)象，可以將采集的遙感數(shù)據(jù)劃分為植被、水體、建筑、云頂、道路等類型，采用一一對(duì)應(yīng)的方式標(biāo)記所有遙感數(shù)據(jù)類型。初始采集并標(biāo)記完成的遙感數(shù)據(jù)樣本如圖5所示。

圖5 航空物探遙感數(shù)據(jù)樣本示意圖

圖5中顯示的遙感數(shù)據(jù)均為全局?jǐn)?shù)據(jù)，實(shí)驗(yàn)中準(zhǔn)備的航空物探遙感數(shù)據(jù)樣本共1 800個(gè)，全局和局部遙感數(shù)據(jù)分別為900個(gè)，將遙感數(shù)據(jù)樣本平均分為12組，保證每組中遙感數(shù)據(jù)類型數(shù)量低于3種。調(diào)整航空物探遙感數(shù)據(jù)樣本格式，將其統(tǒng)一存儲(chǔ)在數(shù)據(jù)庫(kù)環(huán)境中。

2.2 選擇航空物探遙感數(shù)據(jù)分類方法開(kāi)發(fā)工具

自編碼神經(jīng)網(wǎng)絡(luò)龐大的網(wǎng)絡(luò)模型和參數(shù)，使得它在學(xué)習(xí)時(shí)會(huì)消耗大量的存儲(chǔ)空間和計(jì)算資源。由于GPU具有并行、浮點(diǎn)操作等特性，因此采用CPU和GPU相結(jié)合的硬件平臺(tái)。遙感數(shù)據(jù)分類方法程序的開(kāi)發(fā)通過(guò)Ubuntu16.04系統(tǒng)下利用Python語(yǔ)言編寫(xiě)腳本，并保證編寫(xiě)程序能夠調(diào)用相關(guān)數(shù)據(jù)庫(kù)。

2.3 輸入自編碼神經(jīng)網(wǎng)絡(luò)算法運(yùn)行參數(shù)

為實(shí)現(xiàn)自編碼神經(jīng)網(wǎng)絡(luò)算法在航空物探遙感數(shù)據(jù)分類方法中的自適應(yīng)運(yùn)行，需要對(duì)相關(guān)參數(shù)進(jìn)行設(shè)置。由于自編碼神經(jīng)網(wǎng)絡(luò)具有非線性特性，其學(xué)習(xí)時(shí)間長(zhǎng)短、是否收斂、是否達(dá)到局部極小化等問(wèn)題都與初始化問(wèn)題有著密切的聯(lián)系。若各神經(jīng)元的初始加權(quán)輸出值均近似于零，則可確保各神經(jīng)元的權(quán)重均在最大程度上調(diào)整。另外設(shè)置學(xué)習(xí)率參數(shù)設(shè)置為0.001，稀疏常數(shù)為0.03。最終將設(shè)置的相關(guān)參數(shù)輸入到航空物探遙感數(shù)據(jù)分類方法對(duì)應(yīng)的運(yùn)行程序中。

2.4 描述分類方法運(yùn)行與測(cè)試過(guò)程

利用選擇的開(kāi)發(fā)工具，完成優(yōu)化設(shè)計(jì)基于自編碼神經(jīng)網(wǎng)絡(luò)的航空物探遙感數(shù)據(jù)分類方法的開(kāi)發(fā)，將準(zhǔn)備的航空物探遙感數(shù)據(jù)樣本逐一輸入到分類方法運(yùn)行程序中，得出遙感數(shù)據(jù)分類結(jié)果。圖6為任意全局遙感數(shù)據(jù)樣本的分類結(jié)果。

圖6 航空物探遙感數(shù)據(jù)分類結(jié)果

按照上述方式可以得出所有航空物探遙感數(shù)據(jù)樣本的分類結(jié)果。為體現(xiàn)出所提方法在分類性能方面的優(yōu)勢(shì)，設(shè)置基于深度傳遞遷移學(xué)習(xí)的遙感影像分類方法(文獻(xiàn)[3]方法)和基于對(duì)比學(xué)習(xí)方法的遙感影像分類方法(文獻(xiàn)[4]方法)作為對(duì)比方法，按照上述流程得出對(duì)比方法的數(shù)據(jù)分類結(jié)果。

2.5 設(shè)置分類性能測(cè)試指標(biāo)

實(shí)驗(yàn)使用分類成功率和分類錯(cuò)誤率兩個(gè)指標(biāo)來(lái)度量航空物探遙感數(shù)據(jù)的分類性能，分類成功率用來(lái)度量分類方法對(duì)多種遙感數(shù)據(jù)的處理能力，其數(shù)值結(jié)果如下：

(19)

式中，中變量nout為方法成功輸出分類結(jié)果的樣本數(shù)量，nsample為設(shè)置的遙感數(shù)據(jù)樣本總數(shù)。另外分類錯(cuò)誤率的測(cè)試結(jié)果為：

(20)

式中，nerr為遙感數(shù)據(jù)分類錯(cuò)誤的樣本數(shù)量。通過(guò)相關(guān)數(shù)據(jù)的統(tǒng)計(jì)、計(jì)算，得出分類性能量化指標(biāo)的測(cè)試結(jié)果。最終測(cè)試得出分類成功率指標(biāo)越接近1，分類錯(cuò)誤率指標(biāo)越接近0，則表示分類性能越優(yōu)。

2.6 分類性能測(cè)試結(jié)果與分析

通過(guò)航空物探遙感數(shù)據(jù)分類方法的反復(fù)運(yùn)行，得出3種方法對(duì)全局遙感數(shù)據(jù)分類性能的測(cè)試結(jié)果，如表1所示。

表1 航空物探全局遙感數(shù)據(jù)分類性能測(cè)試數(shù)據(jù)表

根據(jù)航空物探遙感數(shù)據(jù)樣本的分組情況，確定每組遙感數(shù)據(jù)數(shù)量共150個(gè)，將表1中的數(shù)據(jù)代入到公式(19)和公式(20)中，計(jì)算得出兩種傳統(tǒng)分類方法的平均分類成功率分別為96.6%和98.3%，平均分類錯(cuò)誤率分別為2.9%和1.7%，而所提方法的全局遙感數(shù)據(jù)分類成功率和錯(cuò)誤率的平均值分別為99.8%和0.6%。

同理可以得出不同方法在航空物探局部遙感數(shù)據(jù)分類任務(wù)中的性能測(cè)試結(jié)果，如表2所示。

表2 航空物探局部遙感數(shù)據(jù)分類性能測(cè)試數(shù)據(jù)表

經(jīng)過(guò)公式(19)和公式(20)的計(jì)算，得出3種方法在航空物探局部遙感數(shù)據(jù)分類工作中的成功率分別為98.3%、99.1%和99.8%，而分類錯(cuò)誤率分別為2.1%、1.6%和0.3%。由此可得，基于自編碼神經(jīng)網(wǎng)絡(luò)的航空物探遙感數(shù)據(jù)分類方法能夠?qū)崿F(xiàn)對(duì)航空物探全局遙感數(shù)據(jù)及局部遙感數(shù)據(jù)的精準(zhǔn)分類。

3 結(jié)束語(yǔ)

遙感技術(shù)是航空物探工作中的重要技術(shù)之一，在遠(yuǎn)距離目標(biāo)信息的收集與監(jiān)測(cè)等方面具有重要應(yīng)用價(jià)值。本文提出基于自編碼神經(jīng)網(wǎng)絡(luò)的航空物探遙感數(shù)據(jù)分類方法，通過(guò)自編碼神經(jīng)網(wǎng)絡(luò)算法的應(yīng)用，實(shí)現(xiàn)對(duì)遙感數(shù)據(jù)特征的精準(zhǔn)提取，間接提升數(shù)據(jù)的分類精度和利用率。實(shí)驗(yàn)結(jié)果表明，該方法對(duì)全局遙感數(shù)據(jù)及局部遙感數(shù)據(jù)分類的成功率均較高，體現(xiàn)了該方法在航空物探遙感數(shù)據(jù)分類方面的優(yōu)勢(shì)。