摘要:向量化的胶囊神经元和动态路由式的信息传递机制赋予了胶囊网络更强的特征表示能力。在遥感领域,基于胶囊网络的高光谱影像分类方法已经获得了较传统深度学习模型更为优异的分类结果。针对现有胶囊分类模型中存在的网络浅层、空谱联合信息利用不足等问题,本文利用卷积胶囊层、残差连接、三维卷积胶囊层构建了一种用于高光谱影像分类的新型深度胶囊网络。具体地,本文方法直接以高维数据立方体作为网络输入,并利用胶囊残差块逐层提取数据中的深层抽象特征。为了更加充分地利用影像中的空谱联合特征,在深层次的胶囊残差块中引入三维卷积胶囊层,以进一步提高分类精度。为了验证本文方法的有效性,选择University of Pavia、Indian Pines和Salinas等3个常用高光谱数据集和一个大规模机载高光谱数据集Chikusei进行实验。结果表明,与现有深度学习模型相比,本文方法能够获得更为优异的分类效果,在4个数据集上分别获得了99.43%、98.85%、97.14%和97.43%的总体分类精度。
摘要:针对基于单系统单卫星GNSS-MR(GNSS Multipath Reflectometry)土壤湿度反演的可靠性不高、实际可操作性不强和最小二乘估计不具鲁棒性的缺点,为获取更优的延迟相位估值,并改善GNSS-MR土壤湿度反演的可靠性和实际可操作性,同时简化繁杂的选星过程,提出了一种基于抗差估计的多系统多卫星组合GNSS-MR土壤湿度反演算法。该算法首先顾及多径环境的差异性、多径误差的周期特性等进行信噪比SNR(Signal to Noise Ratio)观测值的筛选,然后采用基于IGGIII(Weight Function III Developed by Institute of Geodesy and Geophysics)权函数的抗差估计解求延迟相位,进而获得表征土壤湿度变化趋势的延迟相位组合。实验结果表明,相较于未采用抗差估计的多系统多卫星组合(方案1)和单卫星组合(方案3),得益于抗差估计良好的鲁棒性,基于抗差估计的多系统多卫星组合(方案2)和单卫星组合(方案4)获得了较高的建模精度,所得延迟相位与实测土壤湿度间的相关系数分别为0.97和0.95、土壤湿度拟合残差的均方根误差分别为0.010和0.012;同时,方案2和方案4还取得了较高的土壤湿度预报精度,土壤湿度预测值与土壤湿度实测值间的相关系数分别为0.92和0.91、土壤湿度预报残差的均方根误差分别为0.016和0.023;此外,相比于方案4,方案2在采用抗差估计解求延迟相位的基础上,采用多系统多卫星组合进一步提升了延迟相位的估值精度,从而不仅避免了复杂的选星过程,而且还获得了更好的建模效果和更高的土壤湿度预报精度。