本發(fā)明屬于數(shù)據(jù)分類技術(shù)領(lǐng)域，特別涉及數(shù)據(jù)處理分析和分類的方法，具體是一種基于混沌深度小波網(wǎng)絡(luò)的數(shù)據(jù)分類方法，可用于數(shù)據(jù)分類、圖像分類、場(chǎng)景分類、目標(biāo)識(shí)別及數(shù)據(jù)預(yù)測(cè)分析。

背景技術(shù)：
數(shù)據(jù)分類技術(shù)是很多工程和研究工作的基礎(chǔ)，將數(shù)據(jù)較好地按照類別劃分可以更好地得到對(duì)目標(biāo)的描述，對(duì)后續(xù)數(shù)據(jù)處理的方法有重要的作用?；始绎w利浦電子股份有限公司申請(qǐng)的專利“一種用于對(duì)生物分子數(shù)據(jù)進(jìn)行分類的分類系統(tǒng)”(專利申請(qǐng)?zhí)枺篊N200980114561，公開號(hào)：CN102016881B)中公開了一種用于對(duì)生物分子數(shù)據(jù)進(jìn)行分類的分類系統(tǒng)。該系統(tǒng)的輸入端接收待分類樣本的多個(gè)特征和多個(gè)相應(yīng)的誤差估計(jì)。統(tǒng)計(jì)模塊將概率密度函數(shù)與所述特征相關(guān)聯(lián)，其中所述概率密度函數(shù)的方差依賴于所述誤差估計(jì)。復(fù)制模塊產(chǎn)生所述樣本的多個(gè)擾動(dòng)的副本，其中所述特征根據(jù)對(duì)應(yīng)的各個(gè)概率密度函數(shù)被隨機(jī)擾動(dòng)。分類器基于所述擾動(dòng)的特征對(duì)所述擾動(dòng)的副本進(jìn)行分類。分析器基于對(duì)所述分類的副本的統(tǒng)計(jì)分析將待分類的樣本進(jìn)行分類以獲得樣本分類。其仍然存在的不足是，該系統(tǒng)的構(gòu)建模型較為復(fù)雜，而且對(duì)于數(shù)據(jù)特征的提取需要人工參與，容易產(chǎn)生不確定因素，進(jìn)而會(huì)影像分類結(jié)果的準(zhǔn)確率。哈爾濱工業(yè)大學(xué)申請(qǐng)的專利“基于深度學(xué)習(xí)的高光譜遙感數(shù)據(jù)分類方法”(專利號(hào)：201410359935)公開了一種基于深度學(xué)習(xí)的高光譜遙感數(shù)據(jù)分類方法，該方法首先對(duì)高光譜原始數(shù)據(jù)進(jìn)行處理獲得高光譜原始數(shù)據(jù)的光譜特征向量和空間特征信息；再對(duì)所述光譜特征向量和空間特征信息進(jìn)行整合；由高光譜整合數(shù)據(jù)確定標(biāo)記樣本，并由標(biāo)記樣本中選擇訓(xùn)練樣本和測(cè)試樣本；使用訓(xùn)練樣本對(duì)構(gòu)成深層網(wǎng)絡(luò)的多層限制玻爾茲曼機(jī)進(jìn)行預(yù)訓(xùn)練；使用訓(xùn)練樣本對(duì)多層限制玻爾茲曼機(jī)構(gòu)成的網(wǎng)絡(luò)進(jìn)行有監(jiān)督學(xué)習(xí)；將測(cè)試樣本輸入微調(diào)后的多層限制玻爾茲曼機(jī)構(gòu)成的網(wǎng)絡(luò)，實(shí)現(xiàn)高光譜遙感數(shù)據(jù)的分類。該方法在一定程度上解決了現(xiàn)有對(duì)蘊(yùn)含非線性特征的高光譜數(shù)據(jù)進(jìn)行分類的方法存在分類精度低的問題，但是仍然存在的不足是，網(wǎng)絡(luò)學(xué)習(xí)時(shí)間較長(zhǎng)，網(wǎng)絡(luò)參數(shù)尋優(yōu)的時(shí)間復(fù)雜度較高。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)中在數(shù)據(jù)分類時(shí)對(duì)分類數(shù)據(jù)特征提取方面需要人工參與容易導(dǎo)致不確定性的問題，提出了一種高效的自動(dòng)提取特征，正確率高，可移植性強(qiáng)的基于混沌深度小波網(wǎng)絡(luò)的數(shù)據(jù)分類方法。本發(fā)明的目的和思路敘述如下：通過構(gòu)建混沌深度小波網(wǎng)絡(luò)，通過網(wǎng)絡(luò)中小波能量提取層對(duì)輸入數(shù)據(jù)小波域能量值的提取，獲得輸入數(shù)據(jù)更豐富的特征表述；同時(shí)用混沌模擬退火方法對(duì)該網(wǎng)絡(luò)進(jìn)行訓(xùn)練，這樣的訓(xùn)練方式對(duì)于網(wǎng)絡(luò)參數(shù)的尋優(yōu)具有更快速高效的性能。本發(fā)明與現(xiàn)有技術(shù)中其他數(shù)據(jù)分類方法相比，能夠克服現(xiàn)有技術(shù)中對(duì)于特征提取過程中由于人工參與過多而導(dǎo)致的不確定性，本發(fā)明分類準(zhǔn)確度高，自動(dòng)化程度高，可移植性強(qiáng)。為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案包括如下方法：本發(fā)明是一種基于混沌深度小波網(wǎng)絡(luò)的數(shù)據(jù)分類方法，其特征在于，包括有如下步驟：步驟1輸入待處理數(shù)據(jù)，根據(jù)該數(shù)據(jù)建立數(shù)據(jù)分類所用數(shù)據(jù)集，包括分別建立訓(xùn)練集U和測(cè)試集V；步驟2構(gòu)建混沌深度小波網(wǎng)絡(luò)，設(shè)定該網(wǎng)絡(luò)具有1個(gè)輸入層和1個(gè)輸出層，在輸入層和輸出層之間具有1個(gè)小波能量提取層和n個(gè)自編碼特征抽象層，組成小波能量提取層的是小波元，組成自編碼特征抽象層的是自編碼元；步驟3劃分該網(wǎng)絡(luò)的層次，對(duì)小波能量提取層和自編碼特征抽象層的參數(shù)逐層進(jìn)行分層主動(dòng)學(xué)習(xí)，所用訓(xùn)練數(shù)據(jù)為訓(xùn)練集U中的樣本；在逐層主動(dòng)學(xué)習(xí)的過程中，用混沌模擬退火算法對(duì)網(wǎng)絡(luò)的參數(shù)進(jìn)行尋優(yōu)：3a設(shè)定混沌搜索步長(zhǎng)C、混沌終止條件Cmin、退火的初始高溫T、尋優(yōu)迭代停止條件設(shè)為溫度達(dá)到最小值Tmin，計(jì)算網(wǎng)絡(luò)的當(dāng)前能量；3b設(shè)定網(wǎng)絡(luò)評(píng)價(jià)標(biāo)準(zhǔn)，即損失函數(shù)，作為判定網(wǎng)絡(luò)是否達(dá)到穩(wěn)定的標(biāo)志：其中，y為有標(biāo)簽數(shù)據(jù)的類別標(biāo)簽，hw,b(x)為輸入x經(jīng)過網(wǎng)絡(luò)后的輸出，該式代表的是預(yù)測(cè)標(biāo)簽和類別標(biāo)簽的差別；3c判斷當(dāng)前溫度T是否達(dá)到溫度的最小值Tmin，若已達(dá)到，則退出循環(huán)，執(zhí)行步驟5；若沒有達(dá)到，則轉(zhuǎn)入步驟3d；3d前向運(yùn)行當(dāng)前網(wǎng)絡(luò)，計(jì)算損失函數(shù)L，記為當(dāng)前網(wǎng)絡(luò)的能量E(j)；3e按照以下條件為標(biāo)準(zhǔn)，判定當(dāng)前網(wǎng)絡(luò)的能量改變能否被接受：若E(j)≤E(i),則接受該狀態(tài)的改變，將當(dāng)前的網(wǎng)絡(luò)的參數(shù)記錄，作為待應(yīng)用網(wǎng)絡(luò)；若E(j)>E(i)，則狀態(tài)改變以概率被接受，將當(dāng)前的網(wǎng)絡(luò)參數(shù)記錄，作為待應(yīng)用網(wǎng)絡(luò)；其中E(j)為當(dāng)前狀態(tài)網(wǎng)絡(luò)的能量值，E(i)為前一狀態(tài)網(wǎng)絡(luò)的能量值，K是波爾茲曼常數(shù)，T是當(dāng)前網(wǎng)絡(luò)的溫度；3f判斷當(dāng)前損失函數(shù)是否滿足混沌終止條件Cmin，若滿足，則將搜索步長(zhǎng)更新為較小的步長(zhǎng)；若不滿足，則根據(jù)Logistic映射對(duì)搜索空間進(jìn)行進(jìn)一步的搜索；轉(zhuǎn)入步驟3d進(jìn)行迭代運(yùn)算，直到網(wǎng)絡(luò)穩(wěn)定為止；步驟4將分層主動(dòng)學(xué)習(xí)獲得的小波能量提取層和自編碼特征抽象層的當(dāng)前最優(yōu)參數(shù)分別賦給混沌深度小波網(wǎng)絡(luò)的各級(jí)對(duì)應(yīng)層，得到初始混沌深度小波網(wǎng)絡(luò)；步驟5將訓(xùn)練集U中的樣本輸入到已得到的初始混沌深度小波網(wǎng)絡(luò)，再次用混沌模擬退火算法對(duì)網(wǎng)絡(luò)的參數(shù)進(jìn)行學(xué)習(xí)和訓(xùn)練，得到一個(gè)用于分類的混沌深度小波網(wǎng)絡(luò)；步驟6將測(cè)試集V中的樣本輸入混沌深度小波網(wǎng)絡(luò)，得到該測(cè)試集V中各樣本的分類結(jié)果。本發(fā)明的實(shí)現(xiàn)還在于：其中步驟1所述的數(shù)據(jù)集，每個(gè)樣本的輸入向量是原始數(shù)據(jù)的基本特征構(gòu)成的M*1維列向量，輸出向量為該樣本所屬的類別標(biāo)簽；所有數(shù)據(jù)構(gòu)成測(cè)試集V，隨機(jī)選取有標(biāo)簽數(shù)據(jù)的3％做為訓(xùn)練集U。本發(fā)明的實(shí)現(xiàn)還在于：其中步驟2所述的構(gòu)建混沌深度小波網(wǎng)絡(luò)，輸入層直接與小波能量提取層連接，通過小波能量提取層的作用得到輸入數(shù)據(jù)在小波域的能量值f0；小波能量提取層直接與自編碼特征抽象層的第一層相連，將f0輸入到自編碼特征抽象層的第一層，得到的是中級(jí)特征f1，自編碼特征抽象層的2～n層得到的結(jié)果記為高級(jí)特征f2，f3，…，fn，其中fn記為網(wǎng)絡(luò)中用于分類的終級(jí)特征；自編碼特征抽象層的第n層直接與輸出層相連，將fn輸入到輸出層的分類器，經(jīng)過輸出層得到對(duì)輸入數(shù)據(jù)的分類結(jié)果。本發(fā)明的實(shí)現(xiàn)還在于：其中步驟2所述的小波元，其構(gòu)成方式為小波和網(wǎng)絡(luò)神經(jīng)元直接融合的方式，選用Morlet小波作為激活函數(shù)：其中，a和b代表尺度和平移系數(shù)。本發(fā)明的實(shí)現(xiàn)還在于：其中步驟2所述的自編碼元，選用Sigmoid函數(shù)作為激活函數(shù)：本發(fā)明的實(shí)現(xiàn)還在于：其中步驟3f所述的若損失函數(shù)滿足混沌終止條件Cmin則將搜索步長(zhǎng)更新為較小的步長(zhǎng)，是隨機(jī)產(chǎn)生一個(gè)0-1之間的隨機(jī)數(shù)P，計(jì)算P*C所得到的即為這個(gè)較小的步長(zhǎng)，接著對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練，其中C為步驟3a中設(shè)定的混沌搜索步長(zhǎng)。本發(fā)明提供了一種基于混沌深度小波網(wǎng)絡(luò)的數(shù)據(jù)分類方法，在方法的實(shí)現(xiàn)過程中，不僅提供了一種混沌深度小波網(wǎng)絡(luò)，而且提供了對(duì)于該網(wǎng)絡(luò)學(xué)習(xí)時(shí)的一種優(yōu)秀算法。將所述網(wǎng)絡(luò)用于數(shù)據(jù)分類應(yīng)用，不僅增加了數(shù)據(jù)分類技術(shù)模型選擇的多樣性，而且實(shí)現(xiàn)了數(shù)據(jù)分類結(jié)果的快速獲取。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)：1、本發(fā)明構(gòu)建混沌深度小波網(wǎng)絡(luò)逐層提取輸入數(shù)據(jù)的高級(jí)特征，由網(wǎng)絡(luò)自主學(xué)習(xí)完成，克服了傳統(tǒng)方法中需要人工設(shè)定提取特征的復(fù)雜性，以及人工參與過多所帶來的不確定性，自動(dòng)化程度更高；2、本發(fā)明通過構(gòu)建小波能量提取層集中提取輸入數(shù)據(jù)的小波能量值做為輸入數(shù)據(jù)的初級(jí)特征，克服了自編碼器中只對(duì)數(shù)據(jù)空域特征向量分析的局限性，增加了數(shù)據(jù)表達(dá)的多樣性，更加易于提高分類結(jié)果的精確度；3、本發(fā)明運(yùn)用混沌模擬退火的方法對(duì)深度小波網(wǎng)絡(luò)參數(shù)進(jìn)行尋優(yōu)，從根本上克服了網(wǎng)絡(luò)訓(xùn)練中傳統(tǒng)方法容易陷入局部最優(yōu)的問題，并且引入混沌思想加速網(wǎng)絡(luò)參數(shù)的訓(xùn)練，大大降低了網(wǎng)絡(luò)訓(xùn)練的時(shí)間。附圖說明圖1是本發(fā)明的流程框圖；圖2是本發(fā)明的混沌深度小波網(wǎng)絡(luò)構(gòu)建圖；圖3是本發(fā)明對(duì)極化SAR影像數(shù)據(jù)進(jìn)行仿真得到的極化SAR影像地物分類結(jié)果；圖4是本發(fā)明與其它方法對(duì)極化SAR影像數(shù)據(jù)進(jìn)行仿真得到的極化SAR影像地物分類結(jié)果柱狀對(duì)比圖；圖5是本發(fā)明與其它方法對(duì)UCI數(shù)據(jù)集中7個(gè)數(shù)據(jù)集進(jìn)行仿真得到的分類正確率柱狀對(duì)比圖。具體實(shí)施方式下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步的詳細(xì)說明。實(shí)施例1：本發(fā)明提出了一種基于混沌深度小波網(wǎng)絡(luò)的數(shù)據(jù)分類方法，在下面的描述中，假設(shè)待處理數(shù)據(jù)已經(jīng)過處理表示為雙精度數(shù)據(jù)，所有數(shù)據(jù)輸入向量已通過歸一化處理得到樣本的統(tǒng)計(jì)分布特性；假設(shè)待處理數(shù)據(jù)的類別標(biāo)簽已按照0/1的方式將其表示，能夠?qū)崿F(xiàn)網(wǎng)絡(luò)輸出層的節(jié)點(diǎn)表達(dá)；假設(shè)已經(jīng)根據(jù)輸入數(shù)據(jù)的特征和規(guī)模設(shè)定了混沌深度小波網(wǎng)絡(luò)的深度層數(shù)以及各層深度中節(jié)點(diǎn)的個(gè)數(shù)；假設(shè)網(wǎng)絡(luò)構(gòu)建及學(xué)習(xí)是在配置為Intel(R)Core(TM)2DuoCPUT5550@1.83GHz、3.00GBRAM的電腦上運(yùn)行，其緩存空間足夠且不被占用；假設(shè)所用軟件平臺(tái)為MatlabR2012a，能夠運(yùn)行海量數(shù)據(jù)的規(guī)模；假設(shè)Matlab工具包中已安裝LibSVM工具包，能夠?qū)崿F(xiàn)LibSVM的擴(kuò)展應(yīng)用。在下面的實(shí)施例中，仿真所使用的數(shù)據(jù)為NASA/JPL實(shí)驗(yàn)室AIRSAR系統(tǒng)于1989年獲取的荷蘭中部Flevoland地區(qū)真實(shí)農(nóng)田區(qū)域的L波段全極化數(shù)據(jù)，其輸入數(shù)據(jù)來源于該極化SAR影像的相干矩陣T，該相干矩陣T對(duì)于每一個(gè)像素點(diǎn)的描述為一個(gè)3*3的復(fù)數(shù)矩陣，該復(fù)數(shù)矩陣中的每一個(gè)元素的實(shí)部和虛部分別被提取出來作為該像素點(diǎn)輸入向量的構(gòu)成，共15維，同時(shí)由于仿真圖中包含有6種不同的地物類別，則對(duì)該極化SAR影像數(shù)據(jù)的分類輸出為6類的地物分類結(jié)果。本發(fā)明是一種基于混沌深度小波網(wǎng)絡(luò)的數(shù)據(jù)分類方法，參見圖1，其數(shù)據(jù)分類過程包括有如下步驟：步驟1輸入待處理數(shù)據(jù)，根據(jù)該數(shù)據(jù)建立數(shù)據(jù)分類所用數(shù)據(jù)集，包括分別建立訓(xùn)練集U和測(cè)試集V；通過分類訓(xùn)練集對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練，通過分類測(cè)試集對(duì)網(wǎng)絡(luò)性能進(jìn)行測(cè)試，有助于網(wǎng)絡(luò)的評(píng)價(jià)和性能。步驟2構(gòu)建混沌深度小波網(wǎng)絡(luò)，設(shè)定該網(wǎng)絡(luò)具有1個(gè)輸入層和1個(gè)輸出層，在輸入層和輸出層之間具有1個(gè)小波能量提取層和n個(gè)自編碼特征抽象層，組成小波能量提取層的是小波元，組成自編碼特征抽象層的是自編碼元。該網(wǎng)絡(luò)的構(gòu)建參數(shù)是根據(jù)待處理數(shù)據(jù)的特征來確定的，具有針對(duì)性，能夠更好地實(shí)現(xiàn)數(shù)據(jù)的分類。步驟3劃分該網(wǎng)絡(luò)的層次，對(duì)小波能量提取層和自編碼特征抽象層的參數(shù)逐層進(jìn)行分層主動(dòng)學(xué)習(xí)，分層學(xué)習(xí)的好處能夠通過對(duì)每一層逐層訓(xùn)練得到網(wǎng)絡(luò)的初始參數(shù)，能夠解決在網(wǎng)絡(luò)訓(xùn)練過程中不易收斂的問題。所用訓(xùn)練數(shù)據(jù)為訓(xùn)練集U中的樣本，在逐層主動(dòng)學(xué)習(xí)的過程中，用混沌模擬退火算法對(duì)網(wǎng)絡(luò)的參數(shù)進(jìn)行尋優(yōu)：3a設(shè)定混沌搜索步長(zhǎng)C、混沌終止條件Cmin、退火的初始高溫T、尋優(yōu)迭代停止條件設(shè)為溫度達(dá)到最小值Tmin，計(jì)算網(wǎng)絡(luò)的當(dāng)前能量；3b設(shè)定網(wǎng)絡(luò)評(píng)價(jià)標(biāo)準(zhǔn)，即損失函數(shù)，作為判定網(wǎng)絡(luò)是否達(dá)到穩(wěn)定的標(biāo)志：其中，y為有標(biāo)簽數(shù)據(jù)的類別標(biāo)簽，hw,b(x)為輸入x經(jīng)過網(wǎng)絡(luò)后的輸出，該式代表的是預(yù)測(cè)標(biāo)簽和類別標(biāo)簽的差別；3c判斷當(dāng)前溫度T是否達(dá)到溫度的最小值Tmin，若已達(dá)到，則退出循環(huán)，執(zhí)行步驟4；若沒有達(dá)到，則轉(zhuǎn)入步驟3d；3d前向運(yùn)行當(dāng)前網(wǎng)絡(luò)，計(jì)算損失函數(shù)L，記為當(dāng)前網(wǎng)絡(luò)的能量E(j)；3e按照以下條件為標(biāo)準(zhǔn)，判定當(dāng)前網(wǎng)絡(luò)的能量改變能否被接受：若E(j)≤E(i),則接受該狀態(tài)的改變，將當(dāng)前的網(wǎng)絡(luò)的參數(shù)記錄，作為待應(yīng)用網(wǎng)絡(luò)；若E(j)>E(i)，則狀態(tài)改變以概率被接受，將當(dāng)前的網(wǎng)絡(luò)參數(shù)記錄，作為待應(yīng)用網(wǎng)絡(luò)；其中E(j)為當(dāng)前狀態(tài)網(wǎng)絡(luò)的能量值，E(i)為前一狀態(tài)網(wǎng)絡(luò)的能量值，K是波爾茲曼常數(shù)，T是當(dāng)前網(wǎng)絡(luò)的溫度；3f判斷當(dāng)前損失函數(shù)是否滿足混沌終止條件Cmin，若滿足，則將搜索步長(zhǎng)更新為較小的步長(zhǎng)；若不滿足，則根據(jù)Logistic映射對(duì)搜索空間進(jìn)行進(jìn)一步的搜索；轉(zhuǎn)入步驟3d進(jìn)行迭代運(yùn)算，直到網(wǎng)絡(luò)穩(wěn)定為止。步驟4將分層主動(dòng)學(xué)習(xí)獲得的小波能量提取層和自編碼特征抽象層的當(dāng)前最優(yōu)參數(shù)分別賦給混沌深度小波網(wǎng)絡(luò)的各級(jí)對(duì)應(yīng)層，得到初始混沌深度小波網(wǎng)絡(luò)。步驟5將訓(xùn)練集U中的樣本輸入到已得到的初始混沌深度小波網(wǎng)絡(luò)，再次用混沌模擬退火算法對(duì)網(wǎng)絡(luò)的參數(shù)進(jìn)行學(xué)習(xí)和訓(xùn)練，得到一個(gè)用于分類的混沌深度小波網(wǎng)絡(luò)。步驟6將測(cè)試集V中的樣本輸入混沌深度小波網(wǎng)絡(luò)，得到該測(cè)試集V中各樣本的分類結(jié)果。本發(fā)明是一種基于混沌深度小波網(wǎng)絡(luò)的數(shù)據(jù)分類方法，在該方法實(shí)施的過程中，不僅提供了一種混沌深度小波網(wǎng)絡(luò)，而且提供了對(duì)于該網(wǎng)絡(luò)學(xué)習(xí)時(shí)的一種優(yōu)秀算法。首先構(gòu)建混沌深度小波網(wǎng)絡(luò)，并且運(yùn)用混沌模擬退火的方法對(duì)混沌深度小波網(wǎng)絡(luò)的參數(shù)進(jìn)行尋優(yōu)，用模擬退火算法以一定概率的方式接受網(wǎng)絡(luò)狀態(tài)的次優(yōu)變化，從根本上克服了網(wǎng)絡(luò)訓(xùn)練中傳統(tǒng)方法容易陷入局部最優(yōu)的問題，同時(shí)引入混沌的思想在尋優(yōu)空間中實(shí)現(xiàn)全局遍歷，加速了網(wǎng)絡(luò)參數(shù)的訓(xùn)練，大大降低了網(wǎng)絡(luò)訓(xùn)練的時(shí)間。本發(fā)明同時(shí)也解決了現(xiàn)有分類方法人工參與過多、分類正確率較低和可移植性不強(qiáng)的問題。實(shí)施例2：基于混沌深度小波網(wǎng)絡(luò)的數(shù)據(jù)分類方法同實(shí)施例1，步驟1中提及的數(shù)據(jù)集，每個(gè)樣本的輸入向量是原始數(shù)據(jù)的基本特征構(gòu)成的M*1維列向量，輸出向量為該樣本所屬的類別標(biāo)簽；所有數(shù)據(jù)構(gòu)成測(cè)試集V，隨機(jī)選取有標(biāo)簽數(shù)據(jù)的3％做為訓(xùn)練集U。本例中待分類數(shù)據(jù)共有81000個(gè)，其中有標(biāo)簽數(shù)據(jù)共41659個(gè)作為數(shù)據(jù)分類測(cè)試集，隨機(jī)選取1200個(gè)有標(biāo)簽樣本作為數(shù)據(jù)分類訓(xùn)練集，這樣選的好處在于用較少的樣本訓(xùn)練網(wǎng)絡(luò)參數(shù)以實(shí)現(xiàn)對(duì)較多樣本的分類預(yù)測(cè)，既降低了網(wǎng)絡(luò)訓(xùn)練的時(shí)間，又能得到較高的分類性能，是一種較好的選擇方式。實(shí)施例3：基于混沌深度小波網(wǎng)絡(luò)的數(shù)據(jù)分類方法同實(shí)施例1-2，步驟2中提及的構(gòu)建混沌深度小波網(wǎng)絡(luò)，參照附圖2，網(wǎng)絡(luò)具有1個(gè)輸入層和1個(gè)輸出層，在輸入層和輸出層之間具有1個(gè)小波能量提取層和n個(gè)自編碼特征抽象層。輸入層直接與小波能量提取層連接，通過小波能量提取層的作用得到輸入數(shù)據(jù)在小波域的能量值f0；小波能量提取層直接與自編碼特征抽象層的第一層相連，將f0輸入到自編碼特征抽象層的第一層，得到的是中級(jí)特征f1，自編碼特征抽象層的2～n層得到的結(jié)果記為高級(jí)特征f2，f3，…，fn，其中fn記為網(wǎng)絡(luò)中用于分類的終級(jí)特征；自編碼特征抽象層的第n層直接與輸出層相連，將fn輸入到輸出層的分類器，經(jīng)過輸出層得到對(duì)輸入數(shù)據(jù)的分類結(jié)果。本例中自編碼特征抽象層的層數(shù)n取值為3。輸入層直接與小波能量提取層連接，通過小波能量提取層的作用得到輸入數(shù)據(jù)在小波域的能量值f0；小波能量提取層直接與自編碼特征抽象層的第一層相連，自編碼特征抽象層的第一層得到的是中級(jí)特征f1，自編碼特征抽象層的2～3層得到的結(jié)果記為高級(jí)特征f2，f3，其中f3記為網(wǎng)絡(luò)中用于分類的終級(jí)特征；自編碼特征抽象層的第3層直接與輸出層相連，輸出層得到的輸出即為對(duì)輸入數(shù)據(jù)的分類結(jié)果。網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)的設(shè)置為輸入數(shù)據(jù)的維數(shù)，以仿真中極化SAR影像數(shù)據(jù)處理為例，輸入層節(jié)點(diǎn)設(shè)置為15，小波能量提取層節(jié)點(diǎn)設(shè)置為300，提取輸入數(shù)據(jù)的300個(gè)不同尺度和位移的小波能量值。之后，小波能量提取層直接與自編碼特征抽象層的第一層相連，將300個(gè)小波能量值輸入自編碼特征抽象層，自編碼特征抽象層節(jié)點(diǎn)數(shù)逐層依次設(shè)為200、150、80，自編碼特征抽象層的最后一層直接與輸出層相連，由于仿真圖中包含有6種不同的地物類別，因此輸出層對(duì)應(yīng)的6個(gè)節(jié)點(diǎn)得到的結(jié)果即為對(duì)輸入數(shù)據(jù)的分類結(jié)果。實(shí)施例4：基于混沌深度小波網(wǎng)絡(luò)的數(shù)據(jù)分類方法同實(shí)施例1-3，步驟2中提及的小波元，其構(gòu)成方式為小波和網(wǎng)絡(luò)神經(jīng)元直接融合的方式，激活函數(shù)可以選用任意一種小波函數(shù)作為激活函數(shù)，本例中采用Morlet小波作為激活函數(shù)：其中，a和b代表尺度和平移系數(shù)。本例中對(duì)于a和b的初始值通過隨機(jī)產(chǎn)生，并在參數(shù)尋優(yōu)的過程中通過迭代計(jì)算不斷更新a和b的值。實(shí)施例5：基于混沌深度小波網(wǎng)絡(luò)的數(shù)據(jù)分類方法同實(shí)施例1-4，步驟2中提及的自編碼元，其激活函數(shù)為Sigmoid函數(shù)：本例中，是將自編碼特征抽象層的每一個(gè)神經(jīng)元的激活函數(shù)，設(shè)置為上述表達(dá)式所表示的Sigmoid函數(shù)。實(shí)施例6：基于混沌深度小波網(wǎng)絡(luò)的數(shù)據(jù)分類方法同實(shí)施例1-5，步驟3f中提及的若損失函數(shù)滿足混沌終止條件Cmin則將搜索步長(zhǎng)更新為較小的步長(zhǎng)，是隨機(jī)產(chǎn)生一個(gè)0-1之間的隨機(jī)數(shù)P，計(jì)算P*C所得到的即為這個(gè)較小的步長(zhǎng)，接著對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練，其中C為步驟3a中設(shè)定的混沌搜索步長(zhǎng)。本例中，設(shè)定步驟3a中的各參數(shù)為混沌搜索步長(zhǎng)C為3，溫度最小值Tmin為0.001，混沌終止條件Cmin為3*Tmin，因此，在步驟3f中，在產(chǎn)生隨機(jī)數(shù)P之后得到的這個(gè)較小的步長(zhǎng)值計(jì)算為P*C＝P*3。實(shí)施例7：基于混沌深度小波網(wǎng)絡(luò)的數(shù)據(jù)分類方法同實(shí)施例1-6，設(shè)置兩組不同數(shù)據(jù)的仿真實(shí)驗(yàn)和對(duì)比算法，通過本發(fā)明對(duì)極化SAR影像地物分類結(jié)果和對(duì)UCI數(shù)據(jù)庫(kù)中7個(gè)不同數(shù)據(jù)集的分類結(jié)果統(tǒng)計(jì)，均可以證明本方法分類正確率高、學(xué)習(xí)時(shí)間快、可移植性強(qiáng)等優(yōu)點(diǎn)。本發(fā)明可以通過以下仿真實(shí)驗(yàn)來進(jìn)行驗(yàn)證：1.仿真條件：仿真實(shí)驗(yàn)采用數(shù)據(jù)：數(shù)據(jù)1：NASA/JPL實(shí)驗(yàn)室AIRSAR系統(tǒng)于1989年獲取的荷蘭中部Flevoland地區(qū)真實(shí)農(nóng)田區(qū)域的L波段全極化數(shù)據(jù)，大小為270×300，主要包括6種地物類別，分別為裸土、土豆、甜菜、豌豆、小麥和大麥。數(shù)據(jù)2：UCI數(shù)據(jù)庫(kù)中的7個(gè)數(shù)據(jù)集，分別是ImageSegmentation、WaveformDatabaseGenerator、PageBlocksClassification、Abalone、Pen-BasedRecognitionofHandWritten、Statlog(LandsatSatellite)、Waveformwithnoise。硬件平臺(tái)：Intel(R)Core(TM)2DuoCPUT5550@1.83GHz、3.00GBRAM；軟件平臺(tái)：MatlabR2012a；2.仿真實(shí)驗(yàn)結(jié)果與分析：本發(fā)明屬于數(shù)據(jù)分類技術(shù)應(yīng)用研究，理論上可以實(shí)現(xiàn)多種數(shù)據(jù)的分類應(yīng)用，因此，在仿真部分針對(duì)目前實(shí)際應(yīng)用性較強(qiáng)的極化SAR圖像分類和分類評(píng)判標(biāo)準(zhǔn)較權(quán)威的UCI數(shù)據(jù)集分類兩個(gè)方面進(jìn)行驗(yàn)證，體現(xiàn)本發(fā)明方法的高效和性能。仿真1，用本發(fā)明方法對(duì)數(shù)據(jù)1NASA/JPL實(shí)驗(yàn)室AIRSAR系統(tǒng)于1989年獲取的荷蘭中部Flevoland地區(qū)真實(shí)農(nóng)田區(qū)域的L波段全極化數(shù)據(jù)進(jìn)行分類，并與現(xiàn)有H/a-wishart方法、Freeman方法和自編碼器進(jìn)行比較，結(jié)果如圖3,其定量分析結(jié)果對(duì)比表如表1所示，柱狀對(duì)比圖如圖4。表1極化SAR圖像分類結(jié)果對(duì)比本例中得到的本發(fā)明最終評(píng)價(jià)數(shù)據(jù)和其他三種方法得到的分類結(jié)果列在表1中，對(duì)比方法分別為極化SAR影像地物分類中的兩種經(jīng)典方法H/a-wishart方法和Freeman方法，以及深度學(xué)習(xí)中的經(jīng)典方法自編碼器。表1中由上到下依次為各方法的訓(xùn)練時(shí)間、測(cè)試時(shí)間、各類地物分類正確率和分類總體正確率的對(duì)比。由于H/a-wishart方法和Freeman方法屬于無(wú)監(jiān)督方法因此沒有訓(xùn)練時(shí)間和測(cè)試時(shí)間的含義，因此在時(shí)間方面可以對(duì)比分方法和自編碼器方法，本方法的訓(xùn)練時(shí)間僅為1101.50s，相較于自編碼器方法的3185.1s來說是一個(gè)很有優(yōu)勢(shì)的時(shí)間，而在測(cè)試時(shí)間來看，兩者時(shí)間相差無(wú)幾。對(duì)比各類地物的分類正確率，從每一類的分類精度結(jié)果看，對(duì)于區(qū)分度高的類別，四種方法的分類精度不相上下。對(duì)于H/a區(qū)分效果好而Freeman區(qū)分效果差的第三類甜菜類，以及對(duì)于Freeman區(qū)分效果好而H/a區(qū)分效果差的第六類大麥類，自編碼器和本方法均能達(dá)到良好的效果。特別的，在傳統(tǒng)分類方法無(wú)法區(qū)分出的第一類裸土類，本方法的分類正確率遠(yuǎn)遠(yuǎn)高于其他三種方法。從分類總體正確率來看，本方法較傳統(tǒng)兩種方法提高近20個(gè)百分點(diǎn)，較自編碼器方法提高近4個(gè)百分點(diǎn)。并將本方法和其他三種方法得到的分類結(jié)果的分類正確率畫成柱狀圖在圖4中展示，其中柱狀圖由左到右依次為H/a-wishart方法、Freeman方法、自編碼器和本發(fā)明方法得到的分類正確率，直觀可見本發(fā)明在分類總體正確率方面相較于其他三種方法分類正確率高的優(yōu)點(diǎn)。由圖3、圖4和表1可見，本方法在極化SAR圖像的分類方面正確率遠(yuǎn)遠(yuǎn)高于其它方法，而且在時(shí)間方面也有很大的優(yōu)勢(shì)。其中，圖3展示了本發(fā)明對(duì)于該幅極化SAR影像數(shù)據(jù)所有待分類數(shù)據(jù)的分類結(jié)果，其中圖3(a)為極化SAR影像原始數(shù)據(jù)地物表示，圖3(b)為原始數(shù)據(jù)標(biāo)簽圖，圖3(c)為本發(fā)明對(duì)于該幅極化SAR影像數(shù)據(jù)所有待分類數(shù)據(jù)的分類結(jié)果的偽彩圖表示?？梢?，對(duì)于左上角的裸土區(qū)域的分類效果和邊界數(shù)據(jù)的分類效果，本發(fā)明具有明顯的效果。仿真2，用本發(fā)明方法對(duì)UCI數(shù)據(jù)庫(kù)中7個(gè)數(shù)據(jù)集進(jìn)行分類，并與現(xiàn)有的SVM方法和自編碼器的分類結(jié)果進(jìn)行對(duì)比，定量分析對(duì)比表如表2所示，柱狀對(duì)比圖如圖5。其中，對(duì)各數(shù)據(jù)集的描述如下：數(shù)據(jù)集1.ImageSegmentation：該數(shù)據(jù)集由美國(guó)Massachusetts大學(xué)于1990年采集于7幅戶外圖像。數(shù)據(jù)集中每個(gè)數(shù)據(jù)的特征表達(dá)為維數(shù)19維的向量，所有數(shù)據(jù)共分為7個(gè)類別，分別是磚面、天空、樹枝、水泥、窗戶、路徑和草地。實(shí)驗(yàn)用訓(xùn)練集數(shù)據(jù)個(gè)數(shù)為210，其中每個(gè)類別選用30個(gè)樣本；測(cè)試集數(shù)據(jù)個(gè)數(shù)為2100，其中每個(gè)類別300個(gè)樣本。數(shù)據(jù)集2.WaveformDatabaseGenerator：該數(shù)據(jù)集由美國(guó)加州Wadsworth國(guó)際小組于1988年波形數(shù)據(jù)庫(kù)產(chǎn)生器。數(shù)據(jù)集中每個(gè)數(shù)據(jù)的特征表達(dá)為維數(shù)21維的向量，所有數(shù)據(jù)共分為3個(gè)類別，分別代表三種不同的波形數(shù)據(jù)。實(shí)驗(yàn)用訓(xùn)練集數(shù)據(jù)個(gè)數(shù)為1500，測(cè)試集數(shù)據(jù)個(gè)數(shù)為5000。數(shù)據(jù)集3.PageBlocksClassification：該數(shù)據(jù)集由意大利Bari大學(xué)于1995年采集的包含文件頁(yè)面的所有區(qū)域的數(shù)據(jù)。數(shù)據(jù)集中每個(gè)數(shù)據(jù)的特征表達(dá)為維數(shù)10維的向量，所有數(shù)據(jù)共分為5個(gè)類別，分別是文本、水平線、圖表、垂直線和圖片。實(shí)驗(yàn)用訓(xùn)練集數(shù)據(jù)個(gè)數(shù)為1060，測(cè)試集數(shù)據(jù)個(gè)數(shù)為5473。數(shù)據(jù)集4.Abalone：該數(shù)據(jù)集由澳大利亞Tasmania大學(xué)計(jì)算機(jī)科學(xué)系于1995年采集用于根據(jù)物理測(cè)量預(yù)測(cè)鮑魚的年齡，數(shù)據(jù)集中每個(gè)數(shù)據(jù)的特征表達(dá)為維數(shù)8維的向量，所有數(shù)據(jù)共分為3個(gè)類別。實(shí)驗(yàn)用訓(xùn)練集數(shù)據(jù)個(gè)數(shù)為1500，測(cè)試集數(shù)據(jù)個(gè)數(shù)為4177。數(shù)據(jù)集5.Pen-BasedRecognitionofHandWritten：該數(shù)據(jù)集由土耳其Bogazici大學(xué)計(jì)算機(jī)工程系于1998年采集，用于手寫體識(shí)別。數(shù)據(jù)集中每個(gè)數(shù)據(jù)的特征表達(dá)為維數(shù)16維的向量，所有數(shù)據(jù)共分為10個(gè)類別。實(shí)驗(yàn)用訓(xùn)練集數(shù)據(jù)個(gè)數(shù)為7494，測(cè)試集數(shù)據(jù)個(gè)數(shù)為3498。數(shù)據(jù)集6.Statlog(LandsatSatellite)：該數(shù)據(jù)集由Strathclyde大學(xué)統(tǒng)計(jì)與模型科學(xué)系于1993年采集于人造衛(wèi)星圖像，數(shù)據(jù)集中每個(gè)數(shù)據(jù)的特征表達(dá)為維數(shù)36維的向量，所有數(shù)據(jù)共分為7個(gè)類別，分別是紅土、棉花作物、灰土、潮濕土壤、農(nóng)作物土地、混合類別和非常潮濕土壤。實(shí)驗(yàn)用訓(xùn)練集數(shù)據(jù)個(gè)數(shù)為4435，測(cè)試集數(shù)據(jù)個(gè)數(shù)為2000。數(shù)據(jù)集7.Waveformwithnoise：該數(shù)據(jù)集由美國(guó)加州Wadsworth國(guó)際小組于1988年波形數(shù)據(jù)庫(kù)產(chǎn)生器。數(shù)據(jù)集中每個(gè)數(shù)據(jù)的特征表達(dá)為維數(shù)40維的向量，為加了噪聲的波形數(shù)據(jù)，所有數(shù)據(jù)共分為3個(gè)類別。實(shí)驗(yàn)用訓(xùn)練集數(shù)據(jù)個(gè)數(shù)為1500，測(cè)試集數(shù)據(jù)個(gè)數(shù)為5000。表2UCI數(shù)據(jù)集分類正確率對(duì)比圖5和表2列出了本發(fā)明和SVM、自編碼器兩種經(jīng)典方法對(duì)于UCI數(shù)據(jù)集的分類總體正確率，可以看出，對(duì)于多數(shù)數(shù)據(jù)集來說，本發(fā)明的分類正確率優(yōu)于其他兩種方法。綜上關(guān)于對(duì)極化SAR數(shù)據(jù)和對(duì)UCI數(shù)據(jù)集的分類結(jié)果，都可以證明本發(fā)明在數(shù)據(jù)分類方面的優(yōu)秀性能。綜上，本發(fā)明的基于混沌深度小波網(wǎng)絡(luò)的數(shù)據(jù)分類方法，在方法的實(shí)現(xiàn)過程中，不僅提供了一種混沌深度小波網(wǎng)絡(luò)，而且提供了對(duì)于該網(wǎng)絡(luò)學(xué)習(xí)時(shí)的一種優(yōu)秀算法。主要解決現(xiàn)有分類方法人工參與過多、分類正確率較低和可移植性不強(qiáng)的問題。其實(shí)現(xiàn)思路是：構(gòu)建混沌深度小波網(wǎng)絡(luò)，逐層提取輸入數(shù)據(jù)在不同深度層次的特征；在網(wǎng)絡(luò)學(xué)習(xí)時(shí)用混沌模擬退火算法對(duì)分層網(wǎng)絡(luò)和整體網(wǎng)絡(luò)參數(shù)尋優(yōu)得到分類網(wǎng)絡(luò)；將待分類數(shù)據(jù)輸入網(wǎng)絡(luò)得到分類結(jié)果。通過構(gòu)建混沌深度小波網(wǎng)絡(luò)，通過小波能量提取層提取輸入數(shù)據(jù)的小波域能量值，獲得輸入數(shù)據(jù)更豐富的特征表述；同時(shí)采用深度小波網(wǎng)絡(luò)自動(dòng)對(duì)數(shù)據(jù)進(jìn)行特征提取，避免了人工參與過多導(dǎo)致的不確定性因素,提高了分類正確率；訓(xùn)練網(wǎng)絡(luò)時(shí)用混沌模擬退火方法，該方法對(duì)于網(wǎng)絡(luò)參數(shù)的快速尋優(yōu)具有更快速高效的性能。本發(fā)明可移植性強(qiáng)，普適性強(qiáng)，可用于數(shù)據(jù)分類、圖像分類、場(chǎng)景分類、目標(biāo)識(shí)別及數(shù)據(jù)預(yù)測(cè)分析。