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。     

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.     

基于数学形态学遥感影像分类后优化处理

遥感影像分类后处理是为了提高分类的精度，优化分类结果。参考传统的分类后处理方法，本文提出了基于数学形态学的遥感影像分类后处理方法，利用数学形态学的基本概念和算法，在遥感软件ERDAS的平台上，对结构元灵活的组合．分解，应用形态交换算法达到了消除噪声、填补孔穴和光滑边界的效果，最大程度的保留了影像的信息，同时优化了分类后的影像；并实际验证了本文方法较传统方法的优越性与可靠性。     

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。     

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．     

克隆选择算法在遥感影像分类中的应用

 针对遥感影像分类中的局部极值、鲁棒性等问题,提出基于克隆选择算法的遥感影像监督分类方法。所提方法将遥感影像各波段亮度值定义为抗原的属性,通过计算遥感像元与抗体的亲和力识别其类别,并采用实数制方式对抗体进行变异,在保证亲和力上升的同时,也保证了系统的多样性。该算法应用于广州市遥感影像数据分类的实验结果显示：在抗体的进化过程中,抗体的亲和力和识别能力不断提高,最终的分类精度达到92.9%。与最大似然法相比,克隆选择算法的分类精度更高。     

L-异亮氨酸发酵培养基的遗传算法优化及发酵过程的神经网络建模

应用遗传算法对L-异亮氨酸发酵培养基进行优化,经优化后的发酵培养基能积累L-异亮氨酸16.84g/L,比初始值提高28.7%.并且运用神经网络对L-异亮氨酸的发酵过程进行建模并预测,取得了良好的效果.结果表明,神经网络在L-异亮氨酸发酵的模拟与预测中是一种高效快速的方法.     

基于混合遗传算法的自适应神经网络优化设计

传统遗传算法优化神经网络存在"近亲繁殖"、"早熟收敛"、收敛速度慢和容易陷入局部极小等缺点.将适应度与相应的个体数目相联系,提出一种自适应交叉变异概率,并将其用于遗传操作,使得个体具有较强的多样性,一定程度缓解种群"早熟";将单纯形法和遗传算法结合到一起,使遗传算法的搜索更具有方向性,提高遗传算法的搜索能力,加快收敛速度.仿真实验进一步证明本文提出的算法对加快收敛速度,防止"近亲繁殖",保持种群多样性比较有效.     

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.     

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。     

基于多特征融合的反向传播神经网络高分影像分类与变化检测

为了降低基于高分影像的土地利用分类后的错分和漏分的可能性,提高分类以及变化检测精度,本文以广西桂林市临桂区为研究区,采用WorldView-2号以及高景一号高分影像,基于多层前馈(back propagation, BP)神经网络方法融合遥感影像的纹理、光谱、植被指数以及水体指数特征,制定出4种特征数据集融合方案,实现对植被覆盖率较大地区的地物识别与分类;然后选取最优分类结果,进行桂林市临桂区2017与2020年土地利用变化检测。不同方案的对比结果表明,融合纹理、光谱、植被指数以及水体指数特征的第四种方案可以得到较为有效的分类以及变化检测结果,分类的总体精度为92.92%,Kappa系数为0.9028,保持了较高正确率。