基于人工神经网络的遥感图像分类研究

随着人工神经网络系统理论的发展,神经网络技术日益成为遥感图像分类处理的有效手段,并有逐步取代最大似然法的趋势.本文重点讨论了遥感图像分类处理研究中应用效果显著的BP神经网络方法,并在MATLAB平台下对基于BP神经网络的分类算法进行了研究,最后将它的分类结果与最大似然法的分类结果进行了精度比较分析.结果表明基于BP神经网络的遥感图像分类效果是较好的,是一种有效的图像分类方法.     

人工神经网络在土地覆盖分类中的应用

文章使用A STER遥感数据和土地利用分布图等地理辅助数据,用BP神经网络方法对土地覆盖进行了分类,并与最大似然法的分类结果进行精度比较分析提出神经网络方法在遥感图像分析与处理技术中的应用潜力。结果表明地理辅助数据参与的BP神经网络用于土地覆盖分类研究可以获得相对较好的分类结果。     

基于BP神经网络的湿地遥感分类

遥感图像分类的实质是通过计算机对图像像元进行数值处理，达到自动识别地物的目的．在对国内外湿地遥感分类研究的基础上，用BP神经网络方法对湿地遥感分类进行了研究，并与最大极然法进行精度比较分析．结果表明：BP神经网络分类法是一种有效的湿地分类技术，能够提高分类精度．     

卫星遥感图像的神经网络自动识别分类

介绍了神经网络卫星遥感图像自动识别分类的方法,并与最大似然法分类结果进行了比较,计算机实验结果表明,神经网络分类的精度和速度优于最大似然法分类．     

卫星遥感图像的神经网络自由识别分类

介绍了神经网络卫星遥感图像自动识别分类方法,并与最大似然 类结果进行了比较。讨论机实验结果表明,神经网络分类的精度和速度优于最大似然法分类。     

基于BP神经网络的石漠化遥感影像分类方法的探讨

以由DEM数据提取出的坡度、地形特征信息与TM遥感影像的光谱信息相结合,应用BP神经网络方法进行石漠化遥感影像分类。并对比了BP神经网络分类法、ISODATA分类法、最大似然法三种分类方法。结果表明BP神经网络分类法有效地提高了石漠化信息的遥感分类精度。     

基于人工神经网络遥感图像分类的应用研究

阐述了遥感图像分类处理中应用BP神经网络的方法,在ENVI平台下,对基于BP神经网络的分类方法进行了研究。结果表明：基于BP网络神经的遥感图像分类效果是相当突出的,是一种非常有效地处理遥感图像的方法。     

基于BP神经网络改进算法的遥感图像分类试验

BP神经网络分类方法是一种新的模式识别方法,在遥感图像分类识别处理中有良好的应用前景。本文在阐明标准BP算法及其改进算法——Levenberg-Marquardt算法的基础上,介绍了BP神经网络的遥感图像分类过程,并在MATLAB平台下对基于BP神经网络的分类算法进行了试验。实验结果表明基于BP神经网络的遥感图像分类方法是一种有效的图像分类方法。     

基于Matlab的GA-BPNN遥感图像分类

在高原山地等地类复杂地区,传统遥感分类方法和标准BP神经网络分类方法存在一定的局限性,提出了基于Matlab的遗传算法优化的BP人工神经网络遥感图像分类方法。以Matlab神经网络和遗传算法工具箱为平台,在对数据源进行主成分分析特征选择的基础上,用量化共轭梯度法改进标准BP算法,采用GA优化BP网络的隐层神经元数目和初始权重,并以香格里拉县ETM+遥感图像为例,在DEM地形数据辅助下,训练网络使其收敛,仿真输出。结果表明,该方法分类总精度为84.52%,Kappa系数为0.8317,比最大似然法分类精度提高了9.08个百分点,验证了GA优化的BP网络遥感图像分类的可行性和有效性。     

基于决策树模型的面向对象方法的遥感湿地信息提取

以宁夏回族自治区中卫市与腾格里沙漠边缘及其毗邻区域为研究区,运用基于决策树模型的面向对象方法,对图像融合后15m分辨率的Landsat 8 OLI遥感影像进行湿地信息提取研究,并与基于对象的最大似然法的分类结果进行比较,结果表明,基于决策树模型的面向对象法相比于基于对象的最大似然法的湿地分类总体精度提高了18.45%,Kappa系数提高了0.17,分类结果精度显著提高。     

BP神经网络在字符识别中的设计改进

BP网络模型是最早被提出来的人工神经网络模型之一,它是一种简单而且非常有效的算法.在数字字符识别系统中,为了克服BP神经网络的易陷入局部极小、收敛速度慢等缺点,本文对传统的BP算法进行了多方面的改进,使得算法更加有效.     

分支前馈神经网络的研究

在BP算法的基础上，提出了一种用于模式分类的人工神经网络模型-分支前馈神经网络，并给出了相应的算法，对模式分类的几个典型例子进行了计算机仿真研究，仿真结果表明，与一般BP网络相比较，分支前馈神经网络显著地减少了训练时间，且分类效果更好。     

改进型粒子群优化算法的BP神经网络全息图压缩

针对拥有庞大数据量的全息图再现像质量不理想的问题, 提出一种针对粒子群优化算法(PSO: Particle Swarm Optimization)中学习因子和惯性权值进行动态调整的方法, 将改进后的算法与反向传播(BP: Back Propagation)神经网络相融合形成改进型粒子群优化BP 神经网络(MPSO-BP: Modified Particle Swarm Optimizing
BP Neural Network)并用于全息图压缩。通过与BP 神经网络和粒子群优化BP 神经网络(PSO-BP: Particle Swarm Optimizing BP Neural Network)压缩算法进行对比, 证明了该网络压缩算法在保持较好的压缩效率时得到的全息图再现像质量更好。     

基于机器学习的多源遥感影像融合土地利用分类研究

为了快速获取准确的城市土地利用信息,提高西南地区遥感影像城市土地利用分类信息提取的精度,探讨了当前快速发展的机器学习技术在该领域中的分类实验.选用昆明市主城区作为研究区域,以Landsat8与Sentinel-1A影像为原始数据,使用GS变换法对影像进行融合,使用卷积神经网络(Convolutional Neural Network,CNN)和BP神经网络(Back Propagation Network)2种分类算法对融合前后的遥感影像进行土地利用分类信息提取,对分类结果进行分析.研究结果表明:基于Landsat8和Sentinel-1A的融合影像数据的卷积神经网络分类算法具有最好的分类效果,其总体分类精度和Kappa系数分别为85.8091%,0.8124,认为基于多源遥感影像融合的卷积神经网络分类方法是获取准确的城市土地利用分类信息的一种可行的方法,可以为高原地区城市的土地利用分类提取研究参考.     

基于混沌天牛群算法优化的神经网络分类模型

针对传统BP神经网络受初始权阈值影响大且易陷入局部极值,标准天牛须搜索算法局部搜索能力差、寻优精度低等问题,提出一种自适应步长因子的混沌天牛群算法用于优化BP神经网络分类模型。通过增加天牛种群,引入自适应步长更新策略优化天牛须搜索算法的局部搜索能力,使其跳出局部最优,提高算法的计算精度;利用Logisitic混沌映射产生新个体,替换性能较差的个体,增强全局搜索效果。为了改善BP神经网络对非均衡数据集中少数类的分类效果,采用SMOTE算法处理非均衡数据集。将改进的天牛须搜索算法用于优化BP神经网络中的初始权值和阈值,建立IBAS-BPNN（Improved Beetle Antennae Search and Back Propagation Neural Network）分类模型,提高BP神经网络分类模型的准确率。为验证分类模型的性能,将改进的BP神经网络分类模型与其他六种典型的分类算法进行比较,实验结果表明IBAS-BPNN分类模型的平均分类正确率高于其他算法。改进的混沌天牛群算法泛化能力强,鲁棒性好,具有一定的优越性。     

基于带偏差递归神经网络蛋白质关联图的预测

针对BP神经网络在学习速度方面的不足, 在Jordan和Elman网络结构的基础上, 提出一种带偏差单元的递归网络模型, 根据BP算法推导出该网络模型的权系数调整规则, 并应用该网络模型进行了蛋白质关联图预测的仿真分析. 结果表明, 该网络模型的收敛速度比一般BP网络有很大提高, 具有一定的实用性.     

基于组合分类器的校园网入侵检测

为了增强校园网络的安全性,提出 KPCA 和 BP 神经网络相结合的组合分类器法构造入侵检测系统.先用 KPCA 对原始数据进行降维处理,而后用 BP 神经网络对新的数据进行分类检测. 结果表明,该方法能有效地缩短检测时间,提高检测效率.     

BP神经网络在住宅区片价评估中的应用

针对传统住宅区片价评估方法的不足,将BP神经网络应用于住宅区片价评估,并将其评估结果与回归分析模型结果进行比较,结果表明基于人工神经网络的评估优于回归分析模型,将神经网络模型应用于住宅区片价的评估是可行的。