基于BP神经网络的遥感影像分类方法

为了消除传统的遥感影像分类所带来的模糊性和不确定性,采用BP神经网络进行遥感影像分类.利用MatLab软件构建BP网络遥感影像分类算法,通过对BP网络算法进行改进,采用动量-自适应学习速率调整算法克服了网络训练速度慢、不易收敛到全局最优等缺点.对一幅全色遥感图像通过300次训练后,输出能真实反映地类的影像图.其分类总精度为86.67%,Kappa系数为0.82,分类精度能够满足遥感图像分类的需要.     

遥感影像分类方法的研究

该文基于ERDAS的KnowledgeEngineer分类方法原理,提出一种多信息源、智能化、程序化的阈值分类技术,利用空间模型语言SML（SpatialModelerLanguage）编程实现遥感影像的分类,进而克服了传统分类方法只能针对单一信息源的局限。研究工作以1999年ETM＋遥感影像临港新城为例,将该方法与传统的监督分类方法进行比较和精度评价。结果表明,阈值分类法比监督分类法分类精度高,指标Kappa系数由0.6109提高到0.8204。该方法可通过模块实现多信息源的调用,从已分类图像中提取确认的分类信息,达到一定的智能化,减少人为的重复性操作。     

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。     

神经网络在遥感影像分类应用中的若干进展

介绍了神经网络的发展概况,对遥感影像分类进行了概述,综述了神经网络在遥感影像分类应用中的若干进展。     

基于GIS的BP神经网络遥感影像分类研究

传统统计模式识别方法进行遥感影像分类时要求数据服从正态分布且难以加入地理辅助数据．通过分析BP网的分类原理与学习算法，采用了融合遥感影像光谱数据和GIS产生的地理辅助数据进行土地利用类型分类的方法．选择最能反映实验区土地利用信息的光谱数据，结合DEM数据和坡度数据，通过归一化处理后进行BP网的训练分类．将分类结果与采用最大似然法所得的结果综合比较，结果表明，该方法优于最大似然法．     

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。     

基于遗传算法和神经网络优化的故障诊断专家系统

传统故障诊断专家系统中存在知识获取困难和推理能力弱的问题,采用模糊神经推理控制器作为推理机可改善此类问题,为进一步提高系统的性能,用遗传算法对推理机进行离线训练．在系统中,使用了传统故障诊断专家系统给予规则的推理方式,使系统在提高灵活性的基础上保持了透明性。     

优化反向传播神经网络的自适应遗传算法

探讨了用遗传算法优化反向传播神经网络的问题。通过对不同遗传操作的分析和改进,提出了一种能有效进行局部搜索和全局搜索的自适应遗传算法。计算结果表明,该算法能快速地求出问题的全局最优解,且具有较好的计算精度。     

不同融合算法对ETM+遥感影像分类精度的影响分析

以福州市南台岛的ETM+遥感影像为基础数据,利用ERDAS Imagine 8.7、ENVI4.0等遥感影像处理软件,运用主成分法(PCA)、乘积法(MLT)、Brovey变换和HIS变换融合算法对ETM+遥感影像全色波段(第8波段)与多光谱波段(第1-5、7波段)进行融合试验;从融合影像的光谱保真度、高频空间信息融入度等角度对融合后的影像进行比较分析;对各种融合后影像进行非监督分类,并评价各种分类结果进行精度,为用户进行影像分类前选择融合方法提供参考.     

遗传算法与神经网络在模式分类中的应用

作者在本文中介绍了怎样利用遗传算法对多层神经网络的结构进行优化,并通过模式分类模拟了实验,说明该方法是可行的、有效的。