《表7 不同特征降维方法的CNN分类精度表》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《栈式稀疏自编码网络的多时相全极化SAR散射特征降维》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文使用了大荔县朝邑农场的实测双极化多时相遥感数据对S-SAE降维算法进行了再次试验验证。在高维多时相特征获取中，首先通过对该双极化（VV，VH）实测数据的实虚部分别提取，再使用Guo提出的一种多时相特征分解方法（Guo等，2018）获取了H，α，θ共3种多时相特征，共获得了49个（7×7）多时相特征。之后在降维过程中，依然根据PCA降维后的主特征累计贡献率来确定，在本实验中，PCA降维后前4维特征累计贡献率大于90%，因此降维维数取为4。此外在对照组实验设置中，S-SAE与未优化的S-SAE(1）网络结构设置为49-20-4，其他降维算法对获取的多时相特征直接降至4维处理。在实验设置上，训练样本大小，分类器训练参数等上均与仿真实验3.2保持相同。最后实测数据在不同降维算法和不同分类器上的分类结果如表6、表7所示，图8为部分分类结果误差图，降维特征可视化对比结果如图9所示。