文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 工程科技 > 信息与通信 > 基于神经网络的遥感影像分类方法研究
侵权投诉

基于神经网络的遥感影像分类方法研究

神经网络

第2期测绘科技情报总第63期

基于神经网络的遥感影像分类方法研究

吴

芳

(武汉大学遥感信息工程学院,湖北武汉430079)

摘要本文在研究BP神经网络和模糊理论的基础上,提出了传统BP算法的一种改进方法和基于模糊系统的神经网络遥感影像分类方法。通过试验表明:基于模糊技术的神经网络分类方法要优于BP神经网络方法,取得了令人满意的效果。关键词:遥感影像分类;BP神经网络;模糊理论

遥感图像分类技术作为遥感技术的一个重要分支,多年来一直受到遥感界研究人员的普遍重视,其核心任务就是确定不同地物类别间的判别界面和判别准则[1]。目前基于光谱特征的统计分类方法(如最小距离分类法、非监督分类法)在遥感图像处理实践中应用得最普遍,也发展得最成熟。

但是,由于遥感影像数据其自身的特点,如含混度大(就分辨率而言)、维数高(就多光谱/波段而言)等方面问题,对遥感影像数据进行高精度的多类别分类识别具有较大难度。而传统的计算机分类方法是基于像元光谱统计特性的硬分类,不善于提取空间信息,不容易解决同物异谱,异物同谱,混和像元等问题,常常出现错分、漏分和分类精度不高,且分出的图斑比较零乱。故而需针对传统的计算机分类方法进行改进才能满足高精度的分类要求。近年来,随着人工智能技术的发展,模糊集理论和神经网络计算技术是当今研究的主要热点[2]。本文将探讨BP神经网络以及其与模糊集理论结合的遥感影像分类方法。

1遥感影像BP神经网络分类算法

BP网络是人工神经网络中研究最多、应用最广的网络之一,该网络常作为分类器用于遥感影像分类中[3]

。采用BP神经网络算法对遥感影像分类,其基本过程为:首先向网络提供训练样本,包括输入单元的活性模型和期望

8

的输出单元活性模型;然后确定网络的实际输出和期望输出之间允许的误差;通过反向传播算法改变网络中所有联接权值,使网络产生的输出更接近于期望的输出,直到满足确定的允许误差。当样本训练过程结束时,遥感影像分类中使用的BP神经网络模型的各个参数就确定了。然后,即可将影像上待分类区域代入训练好的网络分类器中获得分类结果,完成对遥感影像的分类任务。

网络的权值通过沿局部改善的方向一步步进行修正,力图得到准则(误差)函数最小化全局最优解[4]。因此网络权值的初始化在网络训练学习有较大的影响。由于BP算法存在局部最小问题,为此对网络进行改进,即在第二次构造BP网络时,参考第一次网络训练出来的权矩阵作为初始值。这样可以增强神经网络的学习能力,克服传统神经网络容易陷入局部极小值的弱点。本文试验结果表明:这种方法可以在一定程度上可提高分类效果。

2基于模糊神经网络的遥感影像

分类方法

神经网络和模糊控制在不确定性系统的控制方面,均具有巨大潜力,且各有其优缺点,若将二者结合起来,取长补短,实现优势互补,以提高系统的性能[5]。神经网络是通过点-点映射来描述系统的输入输出关系,其训练值都是确定量,因而映射关系是一一对应的,反映其

第1页

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email