为提高高光谱遥感图像的分类精度,通过局部保留判别式分析与深度卷积神经网络(DCNN)算法,提出了基于局部保留降维卷积神经网络的高光谱图像分类算法。首先,用局部保留判别式分析对高光谱数据降维,再用二维Gabor滤波器对降维后的高光谱...为提高高光谱遥感图像的分类精度,通过局部保留判别式分析与深度卷积神经网络(DCNN)算法,提出了基于局部保留降维卷积神经网络的高光谱图像分类算法。首先,用局部保留判别式分析对高光谱数据降维,再用二维Gabor滤波器对降维后的高光谱数据进行滤波,生成空间隧道信息;其次,用卷积神经网络对原始高光谱数据进行特征提取,生成光谱隧道信息;再次,融合空间隧道信息与光谱隧道信息,形成空间-光谱特征信息,并将其输入到深度卷积神经网络,提取更加有效的特征;最后,采用双重优选分类器对最终提取的特征进行分类。将本文方法与CNN、PCA-SVM、CD-CNN和CNN-PPF等算法在Indian Pines、University of Pavia高光谱遥感数据库上进行性能比较。在Indian Pines、University of Pavia数据库上,本文算法识别的整体精度比传统CNN方法的整体精度分别高3. 81个百分点与6. 62个百分点。实验结果表明,本文算法无论在分类精度还是Kappa系数都优于另外4种算法。展开更多
局部阴影下,在光伏最大功率点追踪(maximum power point tracking,MPPT)过程中,以往的方法通常采用的是全局搜索,这一过程会出现搜索时间长、收敛速度慢、局部寻优、功率振荡时间长等问题。对此,提出双优化粒子群算法(particle swarm op...局部阴影下,在光伏最大功率点追踪(maximum power point tracking,MPPT)过程中,以往的方法通常采用的是全局搜索,这一过程会出现搜索时间长、收敛速度慢、局部寻优、功率振荡时间长等问题。对此,提出双优化粒子群算法(particle swarm optimization,PSO),即先通过数学推导优化最大功率点存在的电压区间,由全局缩小范围,在此区间内再运用PSO搜索,并优化算法中的系数c_(1)、c_(2),引入搜索程度因子d来增强其收敛性。在MATLAB/Simulink仿真中设置两组光照并通过全局搜索算法中的传统PSO与改进PSO进行对比分析。仿真显示该方法在上述问题方面均有较为明显的改善。展开更多
文摘为提高高光谱遥感图像的分类精度,通过局部保留判别式分析与深度卷积神经网络(DCNN)算法,提出了基于局部保留降维卷积神经网络的高光谱图像分类算法。首先,用局部保留判别式分析对高光谱数据降维,再用二维Gabor滤波器对降维后的高光谱数据进行滤波,生成空间隧道信息;其次,用卷积神经网络对原始高光谱数据进行特征提取,生成光谱隧道信息;再次,融合空间隧道信息与光谱隧道信息,形成空间-光谱特征信息,并将其输入到深度卷积神经网络,提取更加有效的特征;最后,采用双重优选分类器对最终提取的特征进行分类。将本文方法与CNN、PCA-SVM、CD-CNN和CNN-PPF等算法在Indian Pines、University of Pavia高光谱遥感数据库上进行性能比较。在Indian Pines、University of Pavia数据库上,本文算法识别的整体精度比传统CNN方法的整体精度分别高3. 81个百分点与6. 62个百分点。实验结果表明,本文算法无论在分类精度还是Kappa系数都优于另外4种算法。
文摘局部阴影下,在光伏最大功率点追踪(maximum power point tracking,MPPT)过程中,以往的方法通常采用的是全局搜索,这一过程会出现搜索时间长、收敛速度慢、局部寻优、功率振荡时间长等问题。对此,提出双优化粒子群算法(particle swarm optimization,PSO),即先通过数学推导优化最大功率点存在的电压区间,由全局缩小范围,在此区间内再运用PSO搜索,并优化算法中的系数c_(1)、c_(2),引入搜索程度因子d来增强其收敛性。在MATLAB/Simulink仿真中设置两组光照并通过全局搜索算法中的传统PSO与改进PSO进行对比分析。仿真显示该方法在上述问题方面均有较为明显的改善。
