知识自编码网络及其极化SAR影像地物分类方法与流程

技术特征：
1.一种知识自编码网络系统，是一种多元神经网络结构，其特征在于：所述知识自编码网络系统由1个自编码网络Net1和1个知识网络Net2级联构成；Net1具体有1个输入层、n个自编码特征抽象层和1个输出层级联构成，记Net1的输出层为输出层1；Net2具有1个知识层和1个输出层级联构成，记Net2的输出层为输出层2；Net1的输出层1与Net2的知识层并联构成Net2的输入，并将此输入直接与输出层2级联；Net1中的输入层直接与自编码特征抽象层的第1层级联，通过自编码特征抽象层1～n层的逐层作用，得到输入数据在不同层次下的高级特征f1，f2，…，fn，其中fn记为自编码网络Net1中用于分类的高级特征；自编码特征抽象层的第n层直接与输出层1级联，将fn输入到输出层1的分类器，得到输入数据的初步分类结果；知识层中的数据记为知识网络Net2的知识特征fk，Net1的输出层1得到的初步分类结果与fk并联构成Net2用于分类的终级特征，将该终级特征输入到输出层2，得到的即为对输入数据的分类结果。2.一种基于知识自编码网络的极化SAR影像地物分类方法，其特征在于，是在权利要求1所述的知识自编码网络系统下运行的，包括有如下步骤：步骤1输入极化SAR影像数据，根据该输入影像数据建立极化SAR影像地物分类训练集U和测试集V；步骤2构建权利要求1所述的知识自编码网络系统，得到尚未训练的知识自编码网络；步骤3划分该网络的层次，对自编码特征抽象层进行分层主动学习，所用训练数据为训练集U中的样本；在逐层主动学习的过程中，用正交PSO算法对网络的参数进行寻优：3a首先设定种群大小为N，迭代停止条件为损失函数值L达到最小值Tmin；3b产生数量为N的种群在空间中随机安置，寻找当前状态下的个体极值和种群极值，设定网络损失函数如下，作为判定网络是否稳定的标志：其中，y为有标签数据的类别标签，hw,b(x)为输入x经过网络后的输出，该式代表的是预测标签和类别标签的差别；3c判断当前网络的损失函数L是否小于最小值Tmin，若小于最小值Tmin，则退出循环，执行步骤4；若没有小于最小值Tmin，执行步骤3d，开始迭代进行该学习算法的更新和计算；3d对于种群中的每一个粒子，对它们速度和个体按照如下公式进行更新计算：其中，为粒子更新后的速度，为粒子当前速度，ω为粒子保持现有速度的权重，c1为粒子对自身运动状态的认知，为粒子当前的最优位置，c2为粒子对种群群体运动状态的认知，为种群群体当前的最优位...