基于神經網絡的高光譜遙感圖像分類研究.pdf

1、本論文的目的就是對常見的神經網絡如BP(誤差反向傳播)神經網絡、RBF(徑向基函數(shù))神經網絡的結構、訓練算法進行研究，并結合其它的理論知識，尋找有效的高光譜遙感圖像分類方法。主要完成以下工作： 1．基于誤差梯度下降的標準BP算法對大多數(shù)的實際應用而言都太慢了，針對這些不足，人們已經提出了許多改進標準BP算法的方案。論文介紹了幾種改進BP算法的基本原理，并將它們用到實際高光譜遙感圖像分類中，對各種算法的性能作了歸納和對比。

2、 2．BP網絡初始權值的選取缺乏理論性的指導，成為BP神經網絡應用的一個弊端，而初始權值選取不當會使BP神經網絡的性能受到嚴重的影響。為此，論文利用BP神經網絡和決策融合理論相結合的辦法來提高高光譜遙感圖像的分類精度。 3．在RBF神經網絡結構中，影響分類精度的主要參數(shù)為：隱層節(jié)點個數(shù)、徑向基函數(shù)的寬度及中心位置、隱層到輸出層之間的權值以及輸出層節(jié)點的閾值。這五個參數(shù)如果選取不當，將會使分類效果受到嚴重影響。論文將RBF神經網絡

3、用于高光譜遙感圖像分類中，針對高光譜遙感圖像特點，結合具體影像實例，提出了一種設計以上五個參數(shù)的新方法。 4．在進行高光譜遙感圖像分類處理時，經常會遇到“同物異譜”的情況。論文將基于目標分解的神經網絡用到高光譜遙感圖像的分類中來。基于目標分解的神經網絡分類方法由三部分組成，即目標分解、神經網絡分類和“亞類”歸并。它對于具有“同物異譜”特性的地物，首先把它分解為幾種不同的“亞類地物”，使得分解后的每一種“亞類地物”自身的光譜特征是

4、一致的，其分布呈現(xiàn)單峰正態(tài)分布。然后把分解后的幾種“亞類地物”當成不同的地物類別送入神經網絡去訓練。最后在網絡輸出時加上一個邏輯運算，使得“亞類地物”重新歸并到原來的類別中去，以此來改善高光譜圖像的分類效果。 5．遙感圖像中，由于傳感器的空間分辨率以及地面的復雜多樣性而含有大量的混合像元。如何有效地解譯混合像元是高光譜遙感應用的關鍵問題之一。論文采用一種方差純化樣本的方法來提取“端元”，并用RBF網絡對整幅遙感圖像進行混合像元分