《表2 时序数据分类结果:数据异常情况下遥感影像时间序列分类算法》
单位:%unit:%
本文比较了不同模型在数据缺失与数据扭曲情况下对时序数据分类性能的影响。以23 d时间序列数据为原始数据集,1D-CNN、MCDNN、TSCNN、LSTM和端到端的多模式与多单模式架构融合的网络这五种时序分类网络得到的结果如表2所示,F1值分别为88.47%、86.34%、88.68%、92.41%和93.40%。其中:1D-CNN采用Adam优化器,初始学习率为0.001;MCDNN采用随机梯度下降策略(Stochastic Gradient Descent,SGD)与0.01的学习率;TSCNN采用学习率不变化的Adam优化器,学习率为0.001。由于LSTM形式的深层递归神经网络在这种像素较少的情况下,训练效果不佳[14]。本文所使用的LSTM网络为借助LSTM结构对端到端的多模式与多单模式架构融合的网络进行结合,以提升LSTM网络性能。通过将本文网络中的多元时序模型,替换为输出维度为512的LSTM网络,对时序数据进行整体特征提取,再结合网络中的多单变量网络与像素坐标,最后在分类阶段对数据进行分类。
图表编号 | XD00201807100 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.10 |
作者 | 任媛媛、汪传建 |
绘制单位 | 石河子大学信息科学与技术学院、安徽大学互联网学院 |
更多格式 | 高清、无水印(增值服务) |