·554· 智能系统学报 第13卷 异，所以导致分类效果较差。从另一个方面也能 比CNN(ST)总体精度提高了约72%，Kappa系数 说明这一点，如本文设计的对比实验模型CNN(ST) 提高了约5.29%。而且，CNN(SST)方法能有效改 和CNN(SST),前者只考虑了样本的光谱特征，而 善CNN(ST)中严重的“椒盐”现象，对比效果如图4 后者将光谱、纹理特征相融合，这使得CNN(SST) 所示。 表2不同分类方法分类效果比较 Table 2 Comparison of different classification methods 类别/% 方法 OA/ Kappa 耕地 草地 湿地 水域 居民区 裸地 SVM 50.29 79.84 97.76 100.00 85.33 99.57 84.22 0.8085 NNIis] 63.00 92.00 98.45 100.00 91.33 98.26 88.49 0.8604 RE19 66.29 91.17 99.83 100.00 99.00 95.69 90.53 0.8849 DBNI 81.57 93.83 94.83 100.00 94.83 99.57 92.95 0.9171 CNN(Patch)o1 67.00 98.00 97.59 100.00 92.17 95.26 90.25 0.8818 CNN(ST) 58.71 96.83 95.86 100.00 88.50 93.97 87.14 0.8843 CNN(SST) 83.14 96.17 97.93 100.00 95.17 99.57 94.34 0.9311 CNN(PCA) 92.43 99.33 99.31 100.00 98.83 99.14 97.83 0.9736 大幅度缩短，同时总体精度也相对提高了约3.49%。 这与CNN模型本身的网络结构有关，输人的样本 信息维度越高，模型需要训练的参数个数就会呈 几何式增长，从而导致训练速度慢，训练时间 (a)CNN(ST) (b)CNN(SST) 长。而由图6可知，CNN(PCA)大约在送代300 ☐耕地☐草地☐湿地☐水域☐居民区☐棵地 步时模型性能趋于稳定，而CNN(ST)和CNN 图4分类效果对比 (SST)分别在2000步和1100步以后才趋于稳 Fig.4 Comparison of classification results 定，这说明PCA降维以后，模型收敛的速度更快， 性能更好。原因是经过PCA变换以后，使得类间 图5和图6分别显示了本文设计的对比模型 差距增大，类内差距缩小，同时能够在一定程度 关于训练时间和训练精度的对比结果。由图5可 上消除样本中的噪声信息，从而加快了模型收敛 知，采用PCA变换后，相比不使用PCA的CNN 速度，提高了总体分类精度。图7为CNN(PCA) (SST)方法训练时间减少了约80%，不仅训练时间 方法的最终分类效果图。 1.0 0.94340.9311 0.97830.9520 0.9 0.87140.8843 0.8407 0.8 0.7 0.6851 0.3 0.2 0.1441 0.1 0 CNN(ST) CNN(SST) CNN(PCA) ■OA■Kappa运行时间/5000s 图5不同方法性能对比 Fig.5 Performance comparison of different methods异，所以导致分类效果较差。从另一个方面也能 说明这一点，如本文设计的对比实验模型 CNN(ST) 和 CNN(SST)，前者只考虑了样本的光谱特征，而 后者将光谱、纹理特征相融合，这使得 CNN(SST) 比 CNN(ST) 总体精度提高了约 7.2%，Kappa 系数 提高了约 5.29%。而且，CNN(SST) 方法能有效改 善 CNN(ST) 中严重的“椒盐”现象，对比效果如图 4 所示。 图 5 和图 6 分别显示了本文设计的对比模型 关于训练时间和训练精度的对比结果。由图 5 可 知，采用 PCA 变换后，相比不使用 PCA 的 CNN (SST) 方法训练时间减少了约 80%，不仅训练时间 大幅度缩短，同时总体精度也相对提高了约 3.49%。 这与 CNN 模型本身的网络结构有关，输入的样本 信息维度越高，模型需要训练的参数个数就会呈 几何式增长，从而导致训练速度慢，训练时间 长。而由图 6 可知，CNN(PCA) 大约在迭代 300 步时模型性能趋于稳定，而 CNN(ST) 和 CNN (SST) 分别在 2 000 步和 1 100 步以后才趋于稳 定，这说明 PCA 降维以后，模型收敛的速度更快， 性能更好。原因是经过 PCA 变换以后，使得类间 差距增大，类内差距缩小，同时能够在一定程度 上消除样本中的噪声信息，从而加快了模型收敛 速度，提高了总体分类精度。图 7 为 CNN(PCA) 方法的最终分类效果图。 表 2 不同分类方法分类效果比较 Table 2 Comparison of different classification methods 方法 类别/% OA/% Kappa 耕地 草地 湿地 水域 居民区 裸地 SVM[17] 50.29 79.84 97.76 100.00 85.33 99.57 84.22 0.808 5 NN[18] 63.00 92.00 98.45 100.00 91.33 98.26 88.49 0.860 4 RF[19] 66.29 91.17 99.83 100.00 99.00 95.69 90.53 0.884 9 DBN[1] 81.57 93.83 94.83 100.00 94.83 99.57 92.95 0.917 1 CNN(Patch)[20] 67.00 98.00 97.59 100.00 92.17 95.26 90.25 0.881 8 CNN(ST) 58.71 96.83 95.86 100.00 88.50 93.97 87.14 0.884 3 CNN(SST) 83.14 96.17 97.93 100.00 95.17 99.57 94.34 0.931 1 CNN(PCA) 92.43 99.33 99.31 100.00 98.83 99.14 97.83 0.973 6 (a) CNN(ST) (b) CNN(SST) 耕地 草地 湿地 水域 居民区 裸地 图 4 分类效果对比 Fig. 4 Comparison of classification results 0.871 4 0.943 4 0.978 3 0.884 3 0.931 1 0.952 0 0.685 1 0. 840 7 0.144 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 CNN(ST) CNN(SST) CNN(PCA) OA Kappa 运行时间/5 000 s 训练时间 图 5 不同方法性能对比 Fig. 5 Performance comparison of different methods ·554· 智 能 系 统 学 报 第 13 卷