神經(jīng)元網(wǎng)絡(luò)在中山陵景區(qū)林業(yè)土地分類中的應(yīng)用.pdf

1、該文是以中山陵風(fēng)景園林景區(qū)為研究區(qū)域,在原始數(shù)據(jù)TM圖像進(jìn)行光譜特征分析和幾何校正的基礎(chǔ)上,對(duì)遙感圖像進(jìn)行了一系列常規(guī)處理,如反差變換、比值增強(qiáng)、主成分變換、纓帽變換、假彩色合成等,然后分析各波段的方差、相關(guān)系數(shù),計(jì)算各波段的信息熵,以及不同組合的最佳指數(shù)(OIF),綜合選取了PC1、NDVI、TM4組合作為圖像分類的基礎(chǔ)波段.在此基礎(chǔ)上,進(jìn)行了無(wú)監(jiān)分類和有監(jiān)分類,主要方法選用了最大似然法、最小距離法和神經(jīng)元網(wǎng)絡(luò)法.重點(diǎn)對(duì)神經(jīng)元網(wǎng)絡(luò)法進(jìn)

2、行了研究,先是用BP網(wǎng)絡(luò)對(duì)圖像進(jìn)行學(xué)習(xí)訓(xùn)練并分類,然后又用動(dòng)量方法對(duì)BP算法改進(jìn),得到較為理想的分類結(jié)果.通過(guò)以上一系列的分析處理,該文得到了以下結(jié)論:TM7波段信息量最為豐富,各地類間的差異也最明顯.TM4波段的獨(dú)立性最強(qiáng),而且與生物量關(guān)系最為密切.在TM的六個(gè)波段中經(jīng)過(guò)比值處理后,從影像上看各個(gè)地類之間的差異加大,效果比較明顯的是歸一化植被指數(shù)和比值植被指數(shù).通過(guò)主成分分析表明,主成分綜合了各個(gè)波段的信息,且相互之間完全正交不相關(guān),

3、其中PC1達(dá)到90.97％的貢獻(xiàn)率.最大似然法的內(nèi)部算法缺陷少、可靠性好,采用高斯分布模型描述樣本的概率分布,對(duì)實(shí)際上并非高斯分布的樣本進(jìn)行分析時(shí)會(huì)產(chǎn)生較高的誤判率,但對(duì)本問(wèn)而言,所用TM4波段的灰度直方圖表明,樣本的概率分布服從高斯分布.所得精度結(jié)果稍低于神經(jīng)網(wǎng)絡(luò)方法.用動(dòng)量方法對(duì)原始的BP算法進(jìn)行改進(jìn),在節(jié)省時(shí)間和訓(xùn)練結(jié)果上都取得了較好的效果.使收斂總誤差(Training RMS Error)在更短的時(shí)間達(dá)到所期望的值(0.1).

4、通過(guò)該文的研究神經(jīng)網(wǎng)絡(luò)分類方法,無(wú)論是總體精度還是K<,hat>統(tǒng)計(jì)值都大于最大似然法和最小距離法,為96.43％和95.33％.各種精度評(píng)價(jià)指標(biāo)綜合體現(xiàn)出神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì).分析其原因,神經(jīng)網(wǎng)絡(luò)具有良好的自組織和自學(xué)習(xí)功能,大大放松了傳統(tǒng)模式識(shí)別方法所需的約束條件,即使模式空間的分布出現(xiàn)鋸齒狀情況,神經(jīng)網(wǎng)絡(luò)也能對(duì)模式集進(jìn)行正確的分類,這也是神經(jīng)網(wǎng)絡(luò)分類精度優(yōu)于最大似然法的主要原因.為全面比較神經(jīng)元網(wǎng)絡(luò)方法與傳統(tǒng)的分類方法以體現(xiàn)其優(yōu)勢(shì)所在,