神经网络在遥感图像分类中的应用
基于高阶神经网络的遥感图像分类识别研究
学 习常 数 太小 引起 收敛速度 太 慢 ，太人会 引 起震 荡 。（）Ｐ算法 存在局 部最 小值 问题 。⑨ ｇＢ Ｂ Ｐ算 法难 以确 定隐含层 平节 点的个 数 。 Ｐ ¨ ④Ｂ
再根据构造二阶网络判别函数：ｄｘ Ｅ ｘ （ ＝ ｗ ｊ ） ｊ
ｊ Ｚ ｋ ｘ ｋＹ ｘｊｗ Ｉ （ ｌ ， ； ￣ Ｅｗ ｊ ｊ ＋ ￣ ｊ ＋ １ ｊ …． ＋ ｘ Ｗ ＋ ＝ １ ｎ
性。
关键 词 Ｂ Ｐ神经 网络 高阶神经网络 图像识别
０
引言
经元 。其 中第 Ｋ 层 中第 ｊ 神经 元具 有下 列 个 输入输 出关 系 ：
勘测 地 球表 面 的过程 中， 由航 空 或卫 星 的可 见 光 、红外 、等主 动与 被动 成像 ：具 所 ［ 获得 的图像 起 到 了越 来越 重 要 的作刚 ，它 能
够 比普通 的视觉 像 传递 更 多不 同的 信息 。
然而 ，解 释 和处 理这 些雷 达 图像 更为 困难 ，
ｆ
＝ １ ， …肌 ： ＝ ，， …， ．３ ２ ｋ ｌ ３ Ｍ － ２
也就 需要 提 出更先 进 的算 法 。本文 中所 识别 的遥 感 图像 为合 成孔 径雷 达 （ ＡＲ）图像 。 Ｓ
选取 余‘ 特征 中 ｑ个 Ｐ ｌ Ｐ 再进 行 高阶 卜 ｉ’ ｉ ＋ …， 神经 网络 的学 习 ，得 到进 一 步分 类 的判别 函
遥 感 图像 的复 杂性 决定的 。
数 Ｄｉ…，ｉ１ Ｉ ＤＭ。④ 判断 此时 分类 的精度 是 否 ＇ ２ 高阶 神经 网络 结构和 算法 改进 高阶 神经 网络 的结构 与 Ｂ 网络大致 相 Ｐ 同 ，所 不 同的是 它无 隐龠层 ，只有输 入层 利 输 出层 。 高阶神 经 网络 的阶次越 高 ，模式 分 类 精 度越 高 ，但 是 由 于高阶 神经 网络 随着 网 络阶 次 的升 高 ，网络 的权 系数 个数 ．． 何 阶 －Ｊ ｈ ｂ ￣ 数增 长 （ 如果特 征数 为 Ｎ， 则二阶神 经 网络 的
基于卷积神经网络的遥感图像分类算法研究
基于卷积神经网络的遥感图像分类算法研究一、引言遥感技术已经成为了现代地球观测和环境监测的重要技术手段，而在遥感图像处理中，遥感图像分类技术则是其中的一项核心技术。
卷积神经网络（CNN）是当前深度学习领域中的一个非常热门的研究方向，其在图像分类、目标检测等任务中都取得了显著的成果。
基于卷积神经网络的遥感图像分类算法具有自适应性强、特征提取能力强、分类精度高等优点，因此成为了研究者重点探索的方向。
本文着重研究基于卷积神经网络的遥感图像分类算法，在介绍传统图像分类方法和卷积神经网络基本原理的基础上，详细介绍了针对遥感图像特点的卷积神经网络结构与特征提取方法，并以实验数据为例，分析了该算法的优劣以及可应用性。
二、传统图像分类方法传统的图像分类方法往往利用低层特征和高层语义信息进行分类，常见的传统图像分类方法包括支持向量机（SVM）、k最近邻（KNN）、决策树（DT）等。
SVM是一种常用的分类算法，其能够识别边界线性可分的样本，其对于非线性分类问题也有一定应用，但是其分类效率较低，对噪声敏感；KNN算法则是一种基本的非参数分类算法，对分类准确性要求高，但是其分类时间成本高，存储量大；决策树算法则是一种常用的分类与回归算法，对于大规模数据的分类具有非常好的效果。
但是对于遥感图像分类而言，由于遥感图像本身具有像素点多、色调复杂、光谱差异等特点，以上传统分类算法效率较低，无法满足高准确率分类的需求。
三、卷积神经网络基本原理卷积神经网络是一种前馈神经网络，其主要作用是进行图像分类、目标检测等视觉任务。
卷积神经网络中常用的卷积层、池化层、全连接层等组成的神经网络结构，以及反向传播等关键技术，使得卷积神经网络能够自动学习图像的特征，并完成图像分类任务。
卷积层可以理解为图像的特征提取器，在图像中提取信息，具有平移不变性和局部感受野等特点；池化层则是对提取的特征进行下采样，减少参数数量并降低过拟合风险；全连接层则是将高维特征映射至类别的概率值输出。
神经网络在卫星图像处理中的应用
神经网络在卫星图像处理中的应用一、引言神经网络是一种模拟生物神经元计算结构和连接方式的计算模型，具有自学习和自适应性能，因此在图像处理领域具有广泛的应用，特别是在卫星遥感图像的处理中。
本文将针对卫星图像处理中神经网络技术的应用进行探讨和分析。
二、卫星图像处理中的技术挑战卫星遥感技术是一种通过卫星获取地球表面信息的技术，它已广泛应用于多个领域。
但是，卫星遥感图像的处理涉及大量的数据和复杂的算法，需要针对不同的应用场景开发特定的处理方法，以便提高处理效率和精度。
一些重要的卫星遥感图像处理技术挑战包括：（1）数据量大：卫星遥感图像的数据量通常很大，需要使用合适的算法将其压缩和处理。
在处理大规模数据时，需要考虑计算速度和存储空间的问题。
（2）多波段：卫星遥感数据包括多波段数据，这是由于每个波段能够传达不同的信息。
因此，处理卫星遥感图像需要考虑多波段数据的相关性，并对其进行分析和模拟。
（3）光照变化：由于卫星所拍摄的图像通常在不同的时刻和气候条件下获取，因此同一区域的图像可能会存在明显的光照差异。
这意味着需要考虑如何校正光照差异，以获得更准确的信息。
三、卫星图像处理中的神经网络应用神经网络的深度学习能力和自适应性能，在卫星图像处理中发挥了重要作用。
以下是神经网络在卫星图像处理中的应用举例：（1）图像分类分类是卫星图像处理中的一项重要的任务。
通过神经网络技术，可以进行高效的分类和识别。
在卫星图像分类中，卫星图像被输入到一个神经网络结构中，该结构通过训练获得了识别卫星图像的能力。
在卫星图像分类中，采用的神经网络结构包括卷积神经网络（CNN）和深度神经网络 (DNN)。
（2）目标检测卫星图像处理中另一个重要的任务是目标检测。
目标检测涉及识别和定位特定的目标（如建筑物、道路等）。
采用神经网络进行目标检测的主要思路是，将卷积神经网络和区域提取方法相结合，以便在卫星图像中精确定位目标。
（3）遥感数据处理神经网络在卫星遥感数据处理中的应用包括数据分析、信息提取等方面。
基于深度卷积神经网络的高分辨率遥感图像分类与目标识别技术研究
基于深度卷积神经网络的高分辨率遥感图像分类与目标识别技术研究高分辨率遥感图像是现代遥感技术中的重要组成部分，对于地质勘探、环境监测、城市规划等领域具有重要的应用价值。
然而，由于遥感图像具有复杂的光谱、空间和角度信息，传统的遥感图像分类与目标识别技术往往面临效果不理想的问题。
为了解决这一问题，基于深度卷积神经网络的高分辨率遥感图像分类与目标识别技术应运而生。
深度卷积神经网络（DCNN）是一种能够自动学习特征表示的神经网络模型。
与传统的遥感图像处理方法相比，DCNN具有更强的特征表达能力和更好的自适应性，可以提取出更具有区分度的特征，从而提高分类和目标识别的准确性与效率。
在高分辨率遥感图像分类方面，基于DCNN的方法通常包括两个关键步骤：图像特征提取和分类器设计。
图像特征提取是通过DCNN网络对输入的遥感图像进行多层卷积和池化等操作，提取出具有代表性的图像特征。
常用的DCNN模型有AlexNet、VGGNet、ResNet等。
此外，为了进一步提高特征的区分度，还可以在DCNN的末尾添加一些全局池化层或归一化层，从而捕捉到更多的上下文信息。
分类器设计是将提取出的图像特征输入到一个分类器中，进行具体的分类任务。
常见的分类器包括全连接神经网络、支持向量机（SVM）、随机森林等。
其中，全连接神经网络是一种常用的分类器模型，可以通过训练多个隐层和输出层的神经元参数，实现遥感图像的分类任务。
在目标识别方面，DCNN同样具有很大的优势。
通过DCNN网络的多层卷积和池化操作，可以提取目标图像的丰富特征，进一步进行目标检测与识别。
常见的目标识别方法包括基于DCNN的物体检测方法（如Faster R-CNN、YOLO等）和基于DCNN的目标识别方法（如FusionNet、Object-Contextual Convolutional Neural Network等）。
这些方法通过引入多尺度特征融合、上下文信息捕捉等技术，提高了遥感图像目标识别的准确性和鲁棒性。
神经网络算法在遥感图像处理中的应用研究
神经网络算法在遥感图像处理中的应用研究遥感图像处理是遥感技术的核心应用之一，它涉及到遥感图像的获取、处理和分析。
随着计算机科学和人工智能的发展，神经网络算法逐渐成为遥感图像处理的重要工具。
本文将讨论神经网络算法在遥感图像处理中的应用研究，重点关注其在遥感图像分类和目标检测中的应用。
神经网络算法是一种灵活且强大的机器学习算法，它可以从数据中学习和提取特征，并根据学习到的知识进行预测和分类。
在遥感图像处理中，神经网络算法可以通过大规模的遥感数据集进行训练，并将图像分类和目标检测任务作为监督学习的问题进行解决。
首先，神经网络算法在遥感图像分类中的应用已经取得了显著的成果。
遥感图像分类是指将遥感图像中的不同地物进行分类和识别，例如水体、森林、城市等。
传统的遥感图像分类方法主要依赖于手工设计的特征和分类器，但这种方法往往需要耗费大量的时间和精力。
相比之下，基于神经网络的遥感图像分类方法能够自动学习图像中的特征，并且在大规模的遥感数据集上展现出更好的性能。
其次，神经网络算法在遥感图像目标检测中也得到了广泛应用。
遥感图像目标检测是指在遥感图像中自动识别和定位目标物体，例如建筑物、车辆等。
传统的遥感图像目标检测方法主要依赖于手工设计的特征和目标检测算法，但这种方法需要花费大量的人力和时间。
相反，基于神经网络的遥感图像目标检测方法可以自动学习图像中的特征，并在大规模的遥感数据集上取得更好的检测性能。
此外，随着深度学习的不断发展，卷积神经网络（Convolutional Neural Network，CNN）在遥感图像处理中的应用也越来越广泛。
卷积神经网络是一种专门用于处理图像和空间数据的神经网络，它通过层叠的卷积层、池化层和全连接层实现对图像的特征学习和分类识别。
通过这种结构，卷积神经网络可以自动学习局部纹理、颜色和形状等图像特征，并在遥感图像处理中实现更精确的分类和目标检测。
在遥感图像处理中，神经网络算法的应用还面临一些挑战和问题。
双支路深度神经网络下的遥感图像配准及多分辨率融合分类
双支路深度神经网络下的遥感图像配准及多分辨率融合分类双支路深度神经网络下的遥感图像配准及多分辨率融合分类摘要：遥感图像在地学和环境研究中起着重要作用。
然而，由于遥感图像受到不同成像条件、季节和地形的影响，图像之间存在着差异。
图像配准和融合是提高遥感图像质量和利用价值的关键步骤。
本文提出了一种基于双支路深度神经网络的遥感图像配准和多分辨率融合分类方法，该方法能够准确地对不同分辨率的遥感图像进行配准以及融合分类。
1. 引言遥感图像是通过各种传感器获取地球表面信息的重要工具。
遥感图像可以提供大量的地理信息，用于农业、城市规划、环境监测和资源管理等领域。
然而，由于成像条件、季节和地形的差异，遥感图像之间存在着差异。
因此，对遥感图像进行配准和融合分类是提高遥感图像质量和利用价值的关键步骤。
2. 遥感图像配准方法常见的遥感图像配准方法包括特征点匹配和图像几何模型等。
在本文中，我们提出了一种基于双支路深度神经网络的遥感图像配准方法。
2.1 双支路深度神经网络双支路深度神经网络是一种能够学习特征表示和转换的深度学习模型。
该网络由两个并行的支路组成，其中一个支路用于提取图像特征，另一个支路用于学习特征之间的转换关系。
通过训练，双支路深度神经网络能够准确地对图像进行配准。
2.2 遥感图像配准流程遥感图像配准的流程包括特征提取、特征匹配和配准转换。
首先，通过双支路深度神经网络提取两幅待配准图像的特征表示。
然后，利用特征匹配算法找到两幅图像之间的对应特征点。
最后，根据对应特征点计算配准转换关系，将两幅图像对齐。
3. 多分辨率融合分类方法在遥感图像融合中，多分辨率融合是常用的方法。
本文提出了一种基于多分辨率融合的遥感图像分类方法。
3.1 多分辨率图像融合多分辨率图像融合是将具有不同空间分辨率的多个图像融合为一幅具有更高空间分辨率的图像。
常见的多分辨率图像融合算法包括小波变换和图像金字塔等。
在本文中，我们采用图像金字塔来实现多分辨率图像融合。
基于神经网络的遥感图像分类
收稿日期:2000-10-18基金项目:模式识别国家重点实验室开放课题基金项目作者简介:毛建旭(1974—),男,江西安义人,现为湖南大学电气与信息工程学院博士生,主要研究方向为人工智能、遥感图像处理与分析、计算机视觉检测、计算机应用等。
文章编号:1000-8829(2001)05-0029-02基于神经网络的遥感图像分类Remote Sensing Image Cla ssification Ba sed on Neural Network(湖南大学电气与信息工程学院,湖南长沙 410082) 毛建旭,王耀南摘要:针对传统的遥感图像分类方法分类精度低的缺点,提出了一种基于神经网络的分类方法。
实验结果表明,这种基于神经网络的分类器经过训练后,可应用于遥感图像的分类,其分类精度明显高于传统的最大似然分类法。
关键词:遥感;图像分类;神经网络中图分类号:TP753文献标识码:AAbstract :The main drawback of traditional rem ote sensing image classification methods is its low precision.A neural netw ork 2based rem ote sensing image classification technique has been presented.Experimental results show that the neu 2ral netw ork classification system can be used in rem ote sens 2ing image classification ,and its classification precision is superior to that of the conventional maximum 2likelihood.K ey w ords :rem ote sensing ;image classification ;neural net 2w ork 遥感图像的计算机分类,是模式识别技术在遥感技术领域的具体应用[1]。
基于神经网络的遥感图像分类算法研究
基于神经网络的遥感图像分类算法研究遥感图像分类作为遥感技术的重要应用之一，不仅具有广泛的应用前景，而且也是学术界关注的研究热点之一。
在遥感图像中，由于图像中包含了复杂的地物信息，因此图像的分类具有一定的复杂性。
而基于神经网络的遥感图像分类算法，通过模拟人脑的感知机制，可以更加高效地进行图像分类。
本文将对基于神经网络的遥感图像分类算法的研究进行探讨。
第一部分：神经网络基础知识为了更好地理解神经网络在遥感图像分类中的应用，我们首先需要了解神经网络的基础知识。
神经网络，是一种模拟人脑神经元结构和神经突触连接模式的数学模型，具有分布式处理和学习能力。
神经网络由若干层次组成，其中最基本的为输入层、隐藏层和输出层。
神经网络的结构通常是由输入层、隐藏层和输出层组成，其中输入层的神经元接收输入数据，输出层的神经元输出最终分类结果，隐藏层的神经元则负责对输入向量进行一定的转换操作，将输入向量转化为更适于分类的特征向量。
神经网络的学习过程通常采用反向传播算法，通过不断调整神经元之间的权值，实现对分类模型的优化。
第二部分：遥感图像分类中的应用在遥感图像分类中，基于神经网络的算法可以更加高效地进行图像分类。
遥感图像可以看作是多光谱或高光谱影像，其具有复杂的信息结构和多维属性，因此在传统图像分类算法中通常需要对图像进行特征提取，来提取图像中具有代表性的特征向量。
这个过程相对来说是比较复杂和耗时的。
而基于神经网络的遥感图像分类算法，通过神经网络对图像的特征提取和图像分类同时进行处理，能够更有效地提高分类精度和分类速度。
常见的基于神经网络的遥感图像分类算法包括BP神经网络、SOM神经网络、RBF神经网络等。
第三部分：神经网络在遥感图像分类中的优势与传统的遥感图像分类算法相比，基于神经网络的算法具有以下几个优势。
1. 自适应性强基于神经网络的遥感图像分类算法具有自适应性强的特点。
因为神经网络可以根据不同的图像和分类任务，自行调整隐藏层中的神经元数量和权重大小，从而更好地适应不同的应用场景。
卷积神经网络在遥感图像分析中的应用技巧(Ⅰ)
遥感技术是一种通过卫星、飞机等载具获取地面信息的技术，它可以获取到大范围的地表信息，包括地形、植被、土地利用等多种信息。
而遥感图像分析则是对这些信息进行处理和解译，以便进行地理信息分析、环境监测、资源管理等工作。
在遥感图像分析中，卷积神经网络（CNN）因其在图像识别和分析方面的优势，成为了一种常用的技术手段。
首先，卷积神经网络在遥感图像分析中的应用技巧之一是特征提取。
遥感图像通常拥有大量的像素点和复杂的地物信息，而卷积神经网络能够有效地提取图像中的特征信息，识别出图像中的地物、地形等信息。
通过卷积层和池化层的处理，CNN能够识别出图像中的纹理、形状、颜色等特征，从而为后续的图像分类、目标检测等工作奠定基础。
其次，卷积神经网络在遥感图像分析中的应用技巧还包括图像分类和目标检测。
通过训练，卷积神经网络可以识别出遥感图像中的不同类别的地物，比如建筑、水体、植被等，从而实现图像的分类和识别。
同时，CNN还可以对遥感图像中的目标进行检测，比如识别出道路、车辆、建筑物等目标，为城市规划、交通管理等提供支持。
此外，卷积神经网络在遥感图像分析中还可以应用于图像的语义分割。
语义分割是指将图像中的每个像素点分割到对应的语义类别中，比如将遥感图像中的每个像素点划分为建筑、道路、植被等不同类别。
通过卷积神经网络的处理，可以实现对遥感图像的语义分割，为精细化的地理信息分析和环境监测提供支持。
最后，卷积神经网络在遥感图像分析中的应用还可以结合多模态数据。
遥感图像通常包括光学图像、雷达图像、高光谱图像等多种模态的数据，而卷积神经网络能够有效地处理多模态数据，从而实现对遥感图像的多角度、多层次分析。
通过融合多模态数据，可以更全面地获取地面信息，为地理信息分析和资源管理提供更加丰富的信息。
综上所述，卷积神经网络在遥感图像分析中具有重要的应用价值。
通过特征提取、图像分类、目标检测、语义分割等技术手段，卷积神经网络能够实现对遥感图像的自动化处理和解译，为地理信息分析、环境监测、资源管理等工作提供支持。
基于卷积神经网的遥感影像分类技术
基于卷积神经网的遥感影像分类技术一、遥感影像分类技术概述遥感技术作为获取地球表面信息的重要手段，已经广泛应用于环境监测、城市规划、农业管理、灾害评估等多个领域。
随着遥感数据量的不断增加，如何高效、准确地处理和分析这些数据成为亟待解决的问题。
遥感影像分类技术是解决这一问题的关键技术之一，它通过将遥感影像中的像素或对象划分为不同的类别，为后续的数据分析和决策提供基础。
1.1 遥感影像分类技术的重要性遥感影像分类技术对于理解和解释遥感数据至关重要。
通过对遥感影像进行分类，可以识别出不同的地物类型，如植被、水体、城市区域等，从而为资源管理、环境监测和城市规划等提供决策支持。
此外，随着遥感技术的发展，获取的影像分辨率越来越高，数据量也越来越大，传统的分类方法已经难以满足实际需求，因此，研究和开发高效的遥感影像分类技术具有重要的现实意义。
1.2 遥感影像分类技术的研究进展遥感影像分类技术的研究已经取得了显著进展。
传统的分类方法，如最大似然分类、支持向量机等，虽然在某些情况下仍然有效，但它们通常需要大量的参数调整和人工干预。
近年来，随着机器学习和深度学习技术的发展，基于这些技术的遥感影像分类方法逐渐成为研究的热点。
特别是卷积神经网络（CNN）在图像处理领域的成功应用，为遥感影像分类提供了新的解决方案。
二、卷积神经网络在遥感影像分类中的应用卷积神经网络是一种深度学习模型，它通过模拟人脑处理视觉信息的方式，能够自动学习图像的特征。
在遥感影像分类中，CNN能够从大量的遥感数据中提取有用的特征，并进行有效的分类。
2.1 卷积神经网络的基本结构卷积神经网络主要由卷积层、池化层和全连接层组成。
卷积层负责提取图像的局部特征，池化层用于降低特征的空间维度，全连接层则用于最终的分类决策。
此外，为了提高模型的泛化能力，通常会在网络中加入归一化层和激活函数。
2.2 卷积神经网络的优势与传统的遥感影像分类方法相比，卷积神经网络具有以下优势：- 自动特征提取：CNN能够自动从遥感影像中提取特征，无需人工设计特征提取器，这大大减少了人工干预和参数调整的工作量。
深度神经网络在遥感数据处理中的应用研究
深度神经网络在遥感数据处理中的应用研究随着遥感技术的日益成熟，从遥感卫星获取的数据越来越庞大和复杂。
如何更好地利用这些数据成为了科学家们必须面对的挑战之一。
深度神经网络（Deep Learning）是一种能够挖掘数据巨大潜力的新型工具，可以通过自我适应学习从大量数据中获取模式特征并作出预测，如图像分类和目标检测等，并且已经被成功应用于许多领域，包括遥感数据处理。
深度学习的基础是人工神经网络，而不同于传统的神经网络模型，深度神经网络由多层神经网络组成，并以层级的方式进行特征抽取，从而能够很好地处理一些复杂的、高维度的遥感数据。
如卫星影像数据中的多个波段或参数，每个波段或参数代表着不同的信息，如植被覆盖率、地表温度等等。
利用特征分层的方法，深度神经网络可将特征逐步分解并进行提取，最终获得高效准确的结果。
在遥感数据处理应用中，图像分类和目标检测是两个重要的应用方向。
对于图像分类，深度神经网络可以通过对大规模标注数据集的学习，自动识别图像的类别，如城市、森林、水面等等。
而在目标检测中，深度神经网络则可通过对遥感图像的语义信息进行分析，实现对感兴趣目标的自动检测和定位，如建筑、公路、水库等等。
另一方面，深度神经网络还可以与遥感数据校正技术（Radiometric/Geometric correction）相结合，提高遥感数据处理的精度。
例如在卫星遥感图像中，由于拍摄角度、影像系统的光谱、几何特性等不同因素的影响，会导致图像失真或结构变形等问题。
通过将深度神经网络应用于这一领域，可以自适应地从校正前和校正后的影像数据中学习和提取图像特征，进而提高图像校正的效果和精度。
在实际应用过程中，深度神经网络面临着一些挑战，如数据的质量和数量、不确定性、显式特征提取等问题，但是随着技术的不断推进和算法的不断改进，深度学习在遥感数据处理中的应用前景依然广阔。
总之，深度神经网络是一项挑战性和前沿性的技术，对于遥感数据处理的应用有着广泛的意义。
遥感图像分类中的遗传算法LVQ神经网络运用
遥感图像分类中的遗传算法LVQ神经网络运用
遥感图像分类是遥感领域中一项重要的研究方向，通常采用多种分类方法进行处理，
以达到有效分类和提高分类精度的目的。
而遗传算法（Genetic Algorithm，GA）是一种基于生物学进化理论的搜索和优化算法，在图像分类中应用广泛。
基于遗传算法的复合分类方法中，常采用的是多层神经网络（Multi-Layer Perceptron，MLP），它是一种前向反馈神经网络，具有多个输入层、隐藏层和输出层。
其中，隐藏层的神经元数量对分类性能的影响非常重要。
在遗传算法中，将神经元数量作为遗传算法的优
化目标，通过遗传算法进行优化，并将优化的结果输入到LVQ神经网络中进行分类。
LVQ神经网络（Learning Vector Quantization，LVQ）是一种监督学习神经网络，它根据分类的目标进行训练，具有快速收敛和较好的分类性能。
在LVQ神经网络中，每个神
经元表示一个类别，输入样本通过计算到各神经元的距离来确定所属的类别。
遗传算法则
通过不断迭代的过程寻找最佳分类结果，提高分类精度。
简单来说，遗传算法LVQ神经网络的分类过程是这样的：首先，使用遗传算法对神经
元数量进行优化，得到优化结果，然后将结果作为LVQ神经网络的分类依据，在LVQ神经
网络中对输入的遥感图像进行分类，最终得到有效的分类结果。
总之，遗传算法LVQ神经网络运用于遥感图像分类中，通过遗传算法的优化和LVQ神
经网络的分类，可以有效地提高遥感图像的分类精度和处理效率。
这种复合分类方法具有
较强的可扩展性和适应性，未来将在遥感领域中得到广泛应用。
RBF神经网络模型在遥感目标检测中的应用
RBF神经网络模型在遥感目标检测中的应用随着遥感技术的不断发展，遥感图像的应用越来越广泛，其中遥感目标检测在土地利用、资源调查、环境监测等领域起着越来越重要的作用。
传统的遥感目标检测方法主要基于像元级的图像处理技术和统计分析方法，这些方法往往需要较多的人工干预和专业知识，缺乏普适性和准确性。
因此，使用人工智能的方法进行遥感目标检测成为研究热点之一。
本文将介绍一种基于径向基函数(RBF)神经网络模型的遥感目标检测方法。
RBF神经网络是一种常用的人工神经网络模型，其基本原理是通过将特征空间转换成高维空间，在高维空间中使用线性方法对数据进行分类。
在实际运用中，RBF神经网络模型能够较好地处理非线性问题，具有较高的泛化能力和预测精度。
本文基于RBF神经网络模型将遥感图像进行分类，具体步骤如下：首先，将遥感图像进行预处理，包括图像直方图均衡化、滤波和降维等。
这些预处理方法能够有效地去除图像噪声、增强图像边缘等，为后续的遥感目标检测建立了基础。
其次，提取特征并进行特征选择。
在遥感图像中，常用的颜色、纹理、形状等特征具有很好的分类性能。
通过特征提取和特征选择，可以减少特征数量和冗余度，提高分类算法的精度和效率。
最后，使用RBF神经网络对特征进行分类，得到遥感图像中不同目标的分布情况。
在训练过程中，可以通过交叉验证等方法对网络参数进行调整，进一步提高分类算法的精度和稳定性。
在实际应用中，可以使用软件工具如MATLAB、Python等实现RBF神经网络。
本文中基于RBF神经网络模型的遥感目标检测方法具有以下优点：1.较好的泛化能力。
RBF神经网络通过高维空间的转换，能够有效地处理非线性问题，具有较高的泛化能力和预测精度，在遥感目标分类中具有广泛的应用前景。
2.较快的分类速度。
RBF神经网络模型具有快速的收敛速度和低计算复杂度，能够在较短时间内处理大量的遥感图像数据。
3.良好的适应性。
RBF神经网络模型能够灵活地适应不同的遥感图像数据和应用场景，可以通过调整网络参数和输入特征进行定制化设置，提高分类效果和处理速度。
神经网络敏感性分析及其在遥感影像分类中的应用
神经网络敏感性分析及其在遥感影像分类中的应用邢海花;余先川【摘要】针对基于连接权的神经网络敏感性分析方法中求取敏感性系数的不稳定性,提出一种优化连接权的神经网络敏感性分析方法.首先采用遗传算法根据误差最小化原则对神经网络进行优化,在优化的神经网络模型上进行基于连接权的敏感性分析.以1个数值模拟实例和华盛顿广场地区的遥感图像地物分类为例,验证所提方法的有效性.实验结果表明,所提方法求取输入变量的敏感性系数是稳定有效的,能有效筛选出遥感图像中对分类贡献较大的特征波段,达到降维的同时提高分类精度.【期刊名称】《地质学刊》【年(卷),期】2013(037)001【总页数】4页(P77-80)【关键词】敏感性分析;人工神经网络;遗传算法;遥感影像分类【作者】邢海花;余先川【作者单位】北京师范大学信息科学与技术学院,北京100875【正文语种】中文【中图分类】TP311;P6270 引言敏感性分析是一种定量描述模型输入变量对输出变量的重要性程度的方法，假设模型表示为y=f(x1，x2，…，xn)(xi为模型的第 i个属性值)，令每个属性在可能的取值范围内变动，研究和预测这些属性的变动对模型输出值的影响程度(蔡毅等，2008)。
将影响程度的大小称为该属性的敏感性系数，敏感性系数越大，说明该属性对模型输出的影响越大。
敏感性分析的核心目的就是通过对模型的属性进行分析，筛选出重要属性，约简模型。
经典的人工神经网络敏感性分析方法主要有:(1)基于连接权的敏感性分析方法，如 Garson算法(Garson，1991)、Tchaban 方法(Tchaban et al，1998)等;(2)基于输出对输入变量的求偏导的敏感性分析方法，如Dimoponlos方法(Dimoponlos et al，1995)、Ruck 方法(Ruck et al，1990)等;(3)与统计方法结合的敏感性分析方法(Olden et al，2002);(4)基于输入变量扰动的敏感性分析方法(Scardi et al，1999)。
基于人工神经网络遥感图像分类的应用研究
n-1
Σ y=（f wixi-θ） i=0
（1）
式中，xi 为第 i 个元素的输入，wi 为第 i 个处理单元与本处理 单元的互联权重；f 为激发函数或作用函数，它决定节点 （神经
元）的输出。
激发函数一般具有非线性特性，常用的非线性激发函数见
n-1
Σ 图 2。在这里，σ＝ wixi-θ 称为激活值。 i=0
2 BP 神经网络算法 C 语言实现
根据以上的算法思想，结合图 4，利用 C 语言实现了 BP 神 经网络的算法，具体代码如下：
＃include ＜stdio.h＞ ＃include ＜iostream.h＞
开始
对要分类的图像进行处理
对图像设置网络的连接权值及阀值赋初值
给定输入向量和输出向量
N
前向：计算网络各隐层和输出层各神经元的输出
出版社，1998.
［5］ 刘旭拢，何春阳，潘耀忠，等.遥感图像分类精度的点、群样
本检验与评估［J］.遥感学报，2006，10（3）：366－369.
［6］ 陈姝，居为民.遥感图像分类方法及研究进展［J］.河北农业
科学，2009，13（1）：143－146.
［7］ 杜培军.遥感原理与应用［M］.徐州：中国矿业大学出版社，
参考文献 ［1］ 于志红.谈我国企业专利战略的实施［J］.知识产权，2003，3 （2）：35－37. ［2］ 李云. 技术引进中的专利策略浅探 ［J］. 舰船科学技术， 2007，29（A02）：16－17；32. ［3］ 贺菊花. 应对跨国企业知识产权保护 避免知识产权陷阱 ［EB/OL］.（2010 －09 －25）./news/txt/2009 －
0.714 5，分类效果很好。
每 一 类 别 的 条 件 Kappa， 耕 地 为 0.796 2、 建 筑 用 地 为
基于人工神经网络遥感图像分类的应用研究
摘
要： 阐述 了遥 感图像 分类处理 中应 用 Ｂ Ｐ神 经 网络的 方法 ， Ｅ Ｖ 平 台下 ， 在 Ｎ Ｉ 对基
于Ｂ Ｐ神 经网络的分类方法进行 了研究。结果表 明： 于 Ｂ 基 Ｐ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。 关键词 ： 工神 经网络 ； 人 遥感 图像 ； 向传播 ；Ｎ Ｉ 反 Ｅ Ｖ
信息工作研究
（） ａ阈值型
（） ｂ 分段线性 型
（） ｉ ｏ ｃ Ｓ ｍｉ ｇ ｄ函数型 （ ） 曲正切型 ｄ双
图 ２ 常用的激发 函数图
１ 反 向传 播模 型及 其 网 络 结构 － ４
１ ． 反 向传 播 模 型 ．１ ４
反 向传播模 型也称 Ｂ Ｐ模 型 ， 是一 种用于前 向多层 的反 向传 播学 习算法 ，用 它可以对组成前 向多层 网络 的各人工 神经元之 间的连接权值进行 不断的修改 ，从而使该 前 向多层 网络能够将
ｆ＝０
ｎ－１
ｙ（ － ∑％ 一 ｆ ）
ｆ＝ ０
（ １ ）
人工神经网络可看成是 以人工 神经元为节点 ，用有 向加权
弧连接起来的有向图。在此有向图中， 人工神经元就是对生物神 经元的模拟 ， 而有 向弧则是轴 突一突触—树 突对 的模拟 。有 向弧
式中 ， 筑为第 ｉ 元素 的输入 ， 个 Ｗ 为第 ｉ 个处理单元与本处理 单元的互联权重 为激发函数或作用 函数 ，它决 定节点 （ 神经
，
，
，，，
、 一
、
、
～
， 一
，
、
一
特征非常接近 ， 若主要依赖遥感 图像来正确分 析图像 的 内容 ， 有
神经网络在遥感图像分类中的应用研究
神经网络在遥感图像分类中的应用研究一、前言随着遥感技术和计算机技术的快速发展，遥感图像处理和遥感图像分类已成为地球科学领域中的研究热点之一。
而神经网络作为一种具有模拟人类神经系统特点的强大的计算工具已经被广泛应用到了遥感图像分类领域。
本文将介绍神经网络在遥感图像分类中的应用研究。
二、神经网络简介神经网络是一种数学模型，它受到神经元与突触相互作用的生物学模型的启发而发展起来的。
在神经网络中，一组输入信号通过神经元的加权和与一个阈值相比较，而产生输出信号。
整个神经网络是由多层神经元组成的，其中每一层都可以分别对输入数据进行处理。
神经网络的训练过程是通过一种叫做反向传播算法的方法来完成的。
简单来说，反向传播算法就是通过反复调整网络中的权重和阈值使得网络的输出尽量接近实际输出。
这个过程需要大量的样本数据以及合适的算法参数进行调整。
三、遥感图像分类遥感图像分类是指将遥感图像中的像素点分成不同类别的过程。
这个过程需要先对数据进行预处理，比如去除云层和阴影等影响因素，然后对每个像素点进行特征提取，最后将特征向量送入分类器进行分类。
目前，常用的分类器包括最小距离分类器、支持向量机、随机森林等。
这些分类器通常都是基于数学模型和统计学方法来实现的。
但是，由于遥感图像的复杂性和数据量的巨大，这些分类器往往难以处理非线性问题和高维数据。
四、神经网络在遥感图像分类中的应用相比较传统的分类器，神经网络具有处理非线性问题和高维数据的能力。
因此，神经网络在遥感图像分类中得到了广泛的应用。
这里我们只介绍其中两种常用的神经网络模型：卷积神经网络和深度神经网络。
1. 卷积神经网络卷积神经网络是一种常用的图像分类方法。
它利用了图像中像素点的空间关系，通过卷积和池化等操作提取出图像的特征信息。
在遥感图像分类中，卷积神经网络通常会在前几层先进行一些图像处理，比如去噪和边缘检测，然后对深层的特征进行分类。
图1展示了卷积神经网络在遥感图像分类中的流程。
基于卷积神经网络的遥感图像分类技术研究和应用
基于卷积神经网络的遥感图像分类技术研究和应用近年来，基于卷积神经网络的遥感图像分类技术越来越受到重视，并得到了广泛的应用。
本文将从相关概念、技术原理、应用案例等方面进行探讨。
一、卷积神经网络与遥感图像分类卷积神经网络是一种基于人工神经网络的深度学习算法。
在图像识别、语音识别、自然语言处理等领域有广泛的应用。
遥感图像分类则是将卫星或航空遥感图像中的不同地物或场景进行分别分类。
在城市更新、土地规划、环境保护等领域有广泛的应用。
卷积神经网络主要是通过卷积层、池化层和全连接层三部分构成。
其中，卷积层可以提取图像的特征信息，池化层可以降低特征图的大小，全连接层则可以将图像的特征进行分类。
而在遥感图像分类中，卷积神经网络也可以通过训练的方式来提取各种地物或场景的特征，从而实现遥感图像的自动分类。
二、卷积神经网络遥感图像分类技术原理卷积神经网络遥感图像分类技术的核心就是特征提取与分类。
具体来说，主要分为以下几个步骤：1. 数据预处理：包括数据的获取、预处理、划分等。
其中，数据的获取可以通过卫星、航空遥感等方式获得，预处理则包括了对遥感图像进行校正、去噪、裁剪等操作，最后将数据划分为训练集和测试集。
2. 特征提取：该过程主要通过卷积层、池化层等进行特征提取。
这些层可以对图像进行卷积、降采样等操作，从而提取出图像的特征信息，比如颜色、纹理等。
通过这些操作，可以得到高维的特征信息。
3. 特征选择与降维：高维的特征信息很容易导致过拟合问题，因此需要进行特征选择与降维。
通常采用的方法有主成分分析、线性判别分析等。
4. 分类模型训练：通过已选定的特征进行分类模型的训练。
其中，可以使用不同的分类算法，如支持向量机、逻辑回归、决策树等，也可以使用深度学习中的卷积神经网络（CNN）。
5. 模型评估与应用：通过测试集对分类模型进行评估，并对其应用效果进行验证。
同时，也可以对分类模型进行优化和改进，提高其分类效果。
三、卷积神经网络遥感图像分类应用案例1. 遥感图像分类场景下的卷积神经网络优化：通过引入加权Softmax函数和CBP（注意力机制协同训练）方法，可以提高对不同遥感场景的识别能力，同时也能够缓解样本不均衡的问题，提高分类准确率。
基于深度学习的遥感图像分类与识别技术
基于深度学习的遥感图像分类与识别技术遥感图像分类与识别是遥感技术领域中的一个重要研究方向。
随着深度学习技术的快速发展，基于深度学习的遥感图像分类与识别技术在近年来取得了显著的进展。
本文将介绍基于深度学习的遥感图像分类与识别技术的基本原理、应用场景以及存在的挑战与解决方法。
一、技术原理基于深度学习的遥感图像分类与识别技术主要基于卷积神经网络（Convolutional Neural Networks, CNN）进行图像特征的学习和提取。
CNN是一种模拟人类视觉处理机制的深度学习算法，通过多个卷积层、池化层和全连接层等组件将输入的遥感图像数据转化为高层次的抽象特征，然后通过分类器对特征进行分类和识别。
二、应用场景基于深度学习的遥感图像分类与识别技术在许多遥感应用场景中发挥着重要作用。
其中包括土地利用与覆盖分类、城市建设与发展监测、农作物生长和病害识别、自然灾害监测与预警等。
通过对遥感图像进行分类与识别，可以及时获取大范围的地理信息，为决策提供科学依据，并在环境保护、城市规划、农业生产等方面提供有力支持。
三、挑战与解决方法在实际应用中，基于深度学习的遥感图像分类与识别技术面临一些挑战。
首先，遥感图像数据量大、维度高，如何有效处理大规模数据成为一个问题。
其次，遥感图像中存在着光照变化、云雾遮挡等干扰因素，如何提高对噪声的鲁棒性也是一个关键挑战。
此外，遥感图像分类与识别需要考虑时空关系，如何对时序遥感图像进行时空建模也是一个难点。
为了解决上述挑战，研究者们提出了一系列的方法和技术。
首先，在处理大规模遥感数据时，可以采用分布式计算、并行计算等技术加速处理过程。
其次，通过数据增强、模型融合等技术手段可以提高模型对噪声的鲁棒性。
最后，在时空建模方面，可以引入循环神经网络（RecurrentNeural Networks, RNN）等模型对时序遥感图像进行建模分析。
四、未来发展方向基于深度学习的遥感图像分类与识别技术在未来还有许多发展方向。
遥感图像分类方法及其在测绘中的应用
遥感图像分类方法及其在测绘中的应用遥感图像是通过遥感技术获取的地球表面的图像信息。
遥感图像具有广泛的应用领域，其中之一就是测绘领域。
遥感图像分类方法是将遥感图像中的像素点按照一定的规则进行分类和标记，以获取图像中不同区域的信息，从而实现对地物和地貌的解译和分析。
本文将介绍常用的遥感图像分类方法，并探讨其在测绘中的应用。
一、遥感图像分类方法1. 基于像元的分类方法基于像元的分类方法是将遥感图像中的每个像素点单独进行分类。
常用的方法包括最大似然分类、支持向量机等。
最大似然分类是根据每个像素点的灰度值和概率分布进行分类，将每个像素点归入具有最大可能性的类别。
支持向量机是一种基于统计学习理论的分类方法，通过构建一个划分超平面将不同类别的像素点分开。
2. 基于对象的分类方法基于对象的分类方法将相邻像素点组成的图像区域作为一个整体进行分类。
常用的方法包括分割-分类法、基于决策树的分类方法等。
分割-分类法首先将遥感图像进行分割，得到不同的图像区域，然后对每个图像区域进行分类。
基于决策树的分类方法通过构建一棵决策树，根据遥感图像特征进行划分，逐层分类。
3. 基于深度学习的分类方法基于深度学习的分类方法是近年来新兴的分类方法，它利用神经网络模型对遥感图像进行分类。
常用的方法包括卷积神经网络（CNN）、循环神经网络（RNN）等。
卷积神经网络通过多层卷积和池化操作提取图像的特征，然后通过全连接层进行分类。
循环神经网络则适用于序列数据的分类，可以处理带有时序关系的遥感图像数据。
二、遥感图像分类在测绘中的应用1. 地物提取与更新遥感图像分类可以用于地物提取与更新。
通过对遥感图像进行分类，可以有效地将地物区分出来，如建筑物、道路、水体等。
同时，可以利用多期遥感图像进行地物的更新，观察地物的变化情况，为城市规划、土地利用等提供依据。
2. 地貌分析与监测遥感图像分类也可以应用于地貌分析与监测。
通过对地表的分类，可以得到不同区域的地貌类型，如山地、平原、河流等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
神经网络在遥感图像分类中的应用祁增营，王京辽宁工程技术大学测绘与地理科学学院，辽宁阜新（123000）E-mail: qizengying@摘要：结合人工神经网络的特性，介绍神经网络在遥感图像处理领域中的应用现状，重点分析了遥感图像分类模型、并对模型进行了对比分析，利用EARDAS软件进行遥感图像分类，通过实验分析神经网络在遥感图像分类的优势。
初步提出结合遗传算法和模糊理论的神经网络模型，对神经网络在遥感图像分类领域的发展趋势进行了探讨。
关键词：人工神经网络，遥感影像分类，分类模型1. 引言神经是大脑的细胞，其主要功能是收集，处理和分发电信号。
人类大脑采用连通的神经元来处理接收到的信号，神经网络模拟了这一过程。
它不是通过分步算法或复杂的逻辑程序来求解的，而是通过调整网络中连接神经元的权重，采用非算法，非结构的形式来实现的。
神经网络已用于对各种遥感数据进行分类，而且其分类结果优于传统的统计方法。
这些成功可以归因于神经网络的两大有点：1）不要求数据正态分布；2）自适应模拟具有特定拓扑结构的复杂非现性模式的功能。
人工神经网络[1] (ANN，简称神经网络)作为一种由大量简单神经元广泛相互联接而成的非线性映射或自适应动力系统，恰好能有效解决遥感图像处理中常见的困难，因此它很快在遥感图像分类领域得到了广泛地应用。
2. 神经网络的组成结构和特点2.1 神经网络的组织结构典型后向传播神经网络的拓扑结构见图。
人工神经网络在3中类型的层中包含有神经元：图1 神经网络组织结构该网络包括输入层，隐含层和输出层。
输入层可以包含单个训练像元的信息[2]，其中包括不同波段的百分比光谱反射率和一些辅助信息，如高程，坡度等。
每层由互相连接的接点所组成。
这种可连续性使得网络在训练时，信息可以流向多个方向（即，可以发生向后传播）。
这种结点的力（或权重）最终为神经网络所学习并保存。
这些权重用于检验（分类）。
训练数据越有代表性，神经网络就越可能在隐含层中调整出映射真实世界的权重，从而得到精确的分类结果。
输出层可能代表单个的专题图类别比如水体或林地。
和监督分类十分相似，人工神经网络也需要训练和检验，从而提取遥感数据和辅助数据中的有用信息。
2.2 神经网络训练和验证（分类）在训练阶段，在输入影像中选择性已知（如：农田，山丘上的松树）的特定位置（x,y ）作为训练样区。
然后，采集每个训练样区中每个像元的光谱信息，如红光和近红外波段的光谱反射率，及其辅助信息，如高程、坡度和坡向等，并送入神经网络的输入层。
与此同时，将相同地点的真实目标（类别）值如农田送往神经网络的输入层。
与此同时，将相同地点的真实目标（类别）值如农田送往输出层，代表该类别神经元的隶属度赋值为1，其他输出神经元赋0值。
需要牢记，由于样本来自特定时间和地点获取的影像及其他辅助数据，所以基于实例训练的神经网络可能仅适用于研究的区域或特定的季节。
这样，我们无法在时间和空间上对神经网络进行拓展。
采用向后传播算法时，其网络学习通常通过调整权重来实现。
对每一训练实例，网络输出结果都要和真实目标进行比较[6]。
将目标和输出值之间的差异看作是误差，稍后将其送回网络的前一层来更新连接权重。
权重调整的幅度应该和误差绝对值相称，经过多次迭代，均方根误差变小，当减小至设定的允许值时，继续迭代不会提高网络的性能，这时系统收敛，训练过程结束。
实例中的固有规则以权重的形式存储于隐含层中，用于验证（分类）。
在验证或分类阶段，影像中每一个像元的光谱和辅助数据特征被传递到神经网络的输入神经元中。
神经网络利用存储在隐含层神经元中的权重评价每个像元，最后生成输出层每个神经元的预测值。
每个输出神经元的值在0～1之间，该值给出了像元隶属神经元所在代表的模糊隶属度等级。
用一个局部最大函数去除模糊化，就可以生成一副硬分类结果图，图中每一个像元被分到其模糊隶属度最大的一类。
2.3 神经网络的数学基础神经元由输入（细胞质突起），权重（神经键），处理单元（细胞体）和输出（轴突）组成。
每个输入i x 都和权重i ϖ相乘，得到i x i ϖ，然后将其传送到处理单元中的“累加单元”。
也可以整体加一偏置量b.累加后的输出为Net =)(1i p i i x ϖ∑=+b 作为净输入送往激活传递函数f,该函数通过转换算法，生成比例尺度的神经元输出y （介于0~1或-1~1之间）。
因此，y 通过下式计算：Y=f(net)= f[)(1i pi i x ϖ∑=+b] 典型的神经网络包含三个或更多的层：一个输入层，一个输出层和多个隐含层。
层内或层间的神经元能相互连接，构成一个用户定义的，面向任务的网络。
通过人工神经网络的学习和回忆可以重复或逼近决策过程。
图2 神经元的数学模型神经网络非正态，非线形的特性不仅得益于网络大规模并行分布的结构，而且也和每个神经元的传递函数有关。
一个神经元基本上就是一个非线形元件，可以采用连续微分函数作为传递函数。
3. 人工神经网络在遥感图像分类中的应用概述3.1 神经网络在遥感影像分类中的趋势遥感图像分类是利用计算机通过对遥感图像中的各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像元归化到各个子空间去。
目前,神经网络技术在遥感图像分类处理[3]中应用的最为广泛和深入，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。
基于神经网络技术的遥感图像分类处理方法在土地覆盖、农作物分类和地质灾害预测等方面都有应用并取得了不错的效果。
3.2 神经网络的遥感影像分类模型3.2.1基于多层感知器（MLP）的遥感影像分类模型它是以决策面为基础，采用反向传播监督学习算法的遥感影像分类方法，已在土地覆盖分类、专题信息提取等方面得到应用，是遥感数字图像分类处理[4]中最常用的一种模型。
3.2.2基于径向基函数（RBP）的遥感影像分类模型径向基函数神经网络（RBPNN）是结合参数化的统计分布模型与非参数化的线性感知器模型的一种前向神经网络模型。
它的映射原理是通过用分解的统计密度分布来拟合表示样本空间中的复杂稀疏分布，然后用神经网络感知器模型获得与类别的线性映射关系。
其具有网络结构简单、学习速度快、可融合领域知识等优势[5]。
3.2.3 基于学习向量分层-2网络（LVQ2）的遥感影像分类模型LVQ2是一种以聚类分类分析为基础的神经网络。
该分类器[7]采用监督学习算法，其实质在于，当一光谱向量馈入网络时，两个最近的神经元(获胜神经元和下一个获胜神经元)即被确定。
只要以下三个条件成立，此二个神经元的突触权重的适配即告完成：相应于获胜神经元的类别与输入向量的类别相同；相应于下一个获胜神经元的类别与输入向量的类别相同；输入向量非常接近获胜神经元与下一个获胜神经元之间的判别面。
3.2.4 基于Kohonen自组织特征映射网络（KSOFM）的遥感影像分类模型KSOFM以模拟人脑自组织功能为基础，因外部输入模式的刺激,而自动形成一种内部表达输出模式。
通过调整权重有序序列的变化过程,而使网络收敛成“每个单元与有序输入信号某一特殊域相匹配”的状态。
KSOFM通常用作非监督分类[8],可以确定输入数据空间中的单一类型。
由于该网络采用非监督学习算法,其在分类处理问题中的操作效能一般低于多层感知分类器。
具体参见参考文献[8]。
3.2.5 基于自适应共振模型（ART）的遥感影像分类模型ART是S.Gsrossberg于1976年通过发展认知信息处理理论建立起来的。
最初的ART 模型即ART1，是属于非监督学习系统，而且仅能处理离散的二进制信号。
G.A.Carpenter 等（1991）在拓展ART1模型基础上，结合模糊集理论[9]，发展了能处理连续模拟信号的ART2和FUZZY-ART模型。
针对有监督学习的模式识别问题，G.A.Carpenter等（1992）又发展了具有自组织映射结构的ARTMAP模型。
近年来，ART模型已经开始应用于遥感影像分类非监督和监督分类中(参见参考文献[11])，并且与传统分类方法和BP神经网络等方法比，其在学习速度、适应性、非线性映射等性能上有独特的优势。
4．利用EARDAS软件进行实验和实验图像4.1 定义分类模板第一步：显示要进行分类的图像第二步：打开摸板编辑器并调整显示字段第三步：获取分类模板信息第四步：保存分类模板4.2 评价分类模板结合基于径向基函数的模型进行评价4.3 进行分类4.4 实验结果图像及分析图3 原始遥感影像图4 基于径向基函数的模型的遥感分类影像人工神经网络在遥感影像分类和信息提取等研究中得到了应用，如在本实验区中的土地覆盖的分类问题、和多时相动态地物的区分、都达到了理想的结果，其精度满足实验要求。
可以这么说神经网络可以用于基于多源空间数据的融合和分类、和基于先验知识的遥感影像分类之中、也可以用在影像结构信息提取，这些应用在不同程度上都获得了有实际意义的结果。
5. 人工神经网络在遥感图像分类中的优势1）单个神经元模拟多元线性回归模型[10]的计算，神经网络非参数化的工作方式，使其不需要对数据做正态或线性分步的先验假设，它能够从已有的实例中进行适应性学习，使其分类更加客观。
2）非线性模式是从经验实例中学习得到的，而不是分析人员基于数据集的先验知识赋予的，训练网络用的实例不可避免地含有噪声信息，这正好使得训练过的神经网络具有广泛化的能力，可以使神经网络在处理未出现过的[11]，不完整的和不精确的数据时仍具有稳健的求解能力。
3）神经网络能够很好地泛化离散和连续的数据，并且具有内插或适应训练过程中从未出现的能力。
它可以在变化的环境中，随时提供数据的增多来连续输入模式的最佳权重，这样可以连续学习。
4）神经网络具有自学习、自组织的能力，能最大限度地利用已知类别遥感图像样本集的先验知识，自动提取识别规则。
无需对概率模型做出假定，足以取代最大似然法。
5）神经网络具有容错能力，可以在特征空间形成高度非线性的决策边界，因而在特征统计数字资料明显偏离假设的高斯统计数字资料情况下优于参数贝叶斯分类处理方法，也具有更强的适应性。
6）神经网络具有联想能力，若训练集中的遥感图像具有代表性，那么求解这些样本的合理规则很可能就是求解原问题的一般性规则，它比其它方法具有更好的联想和推广能力。
6. 展望1）人工神经网络在遥感图像分析与处理的各个方面都有广泛的适用性,并且已经取得了较好的效果,是遥感信息提取的一种有效途径。
2）人工神经网络已经在遥感影像分类和信息提取等研究中得到了广泛的应用，如土地覆盖的分类问题、多时相动态地物的区分[12]、模糊分类(混合像元分解)、融合先验知识的遥感影像分类、影像结构信息提取(如线状、纹理等信息的提取)等，这些应用在不同程度上都获得了有实际意义的结果。