基于BP神经网络的多源遥感影像分类
遗传算法优化确定BP神经网络的遥感图像分类
遗传算法优化确定BP神经网络的遥感图像分类遥感图像分类是遥感技术应用的重要方向之一，其主要目的是根据遥感图像上包含的信息对不同类别的地物进行自动划分和分类。
由于遥感图像存在着复杂的光谱、空间和时间相关性，因此其分类任务具有一定的难度。
为了提高遥感图像分类的准确度和可靠性，近年来，研究者们开始尝试采用神经网络等方法进行分类优化。
其中BP神经网络是一种常用的方法，它具有学习能力强、处理能力高等优点，但是其性能往往会受到参数设置的影响，因此如何优化BP神经网络成为了一个热门的研究方向。
遗传算法是一种基于自然选择和遗传变异机制的优化算法，其优点是具有全局搜索能力、可以处理非线性优化问题、不易陷入局部最优等。
因此，采用遗传算法来优化BP神经网络在遥感图像分类中应用的可行性被越来越多地研究和验证。
1. 特征提取：对遥感图像进行初步处理，提取出有用的特征信息，包括光谱、空间和纹理等多个维度的特征。
2. 数据预处理：将提取出来的特征进行归一化处理，消除量纲差异和数据离散化等影响因素。
3. BP神经网络建模：根据预处理后的数据，采用BP神经网络作为分类模型，确定神经网络的结构和参数，包括隐含层神经元个数、学习速率、动量系数等。
4. 遗传算法优化：采用遗传算法来搜索最佳的BP神经网络参数组合，优化网络模型的性能。
具体来说，将BP神经网络的结构和参数进行编码，构建适应度函数，通过选择、交叉和变异等基本遗传算子进行群体演化，搜索适应度函数最大的BP神经网络参数组合，从而得到最终的优化结果。
5. 训练模型：根据优化后的BP神经网络参数组合，对遥感图像进行训练，不断调整网络权值和阈值，直至达到收敛条件。
6. 测试预测：将训练好的模型应用到新的未知遥感图像上，对其进行分类预测，在验证集和测试集上进行性能评估，并与其他分类方法进行比较。
总体来说，遗传算法优化BP神经网络的遥感图像分类方法具有较高的效率和准确率。
但是，由于其需要进行大量的参数调节和计算，因此需要充分考虑计算时间和资源的限制，从而使其成为一个更为普及和实用的优化方法。
遗传算法优化确定BP神经网络的遥感图像分类
遗传算法优化确定BP神经网络的遥感图像分类【摘要】本文介绍了遗传算法优化确定BP神经网络在遥感图像分类中的应用。
首先介绍了遗传算法在优化BP神经网络中的作用，然后分析了遥感图像分类的挑战。
接着详细解释了遗传算法优化确定BP神经网络的原理，并设计了实验来验证该方法的有效性。
通过实验结果分析，论证了该方法的优势。
总结了遗传算法优化确定BP神经网络在遥感图像分类中的优势，并展望了未来的研究方向。
通过本文的研究，可以更好地理解和应用遗传算法优化确定BP神经网络在遥感图像分类中的价值和潜力。
【关键词】遗传算法、BP神经网络、遥感图像分类、优化、实验设计、实验结果分析、优势、未来展望1. 引言1.1 背景介绍遥感图像分类是利用遥感技术获取的大量图像数据，通过对这些数据进行分析和分类，以实现对地面物体和地物的识别和分类。
随着遥感技术的不断发展和普及，遥感图像分类在农业、城市规划、环境监测等领域都起着重要作用。
1.2 研究意义遥感图像分类是遥感技术应用的重要领域之一，对于地质勘探、环境监测、农业发展等领域具有重要意义。
传统的遥感图像分类方法存在着复杂的特征提取和分类器设计问题，导致分类结果不够准确和稳定。
而遗传算法优化确定BP神经网络的方法，可以有效克服传统方法的问题，提高分类准确性和稳定性。
1.3 相关研究近年来，遗传算法优化确定BP神经网络在遥感图像分类领域的研究日益受到关注。
许多学者已经进行了大量工作，探讨了遗传算法优化确定BP神经网络在遥感图像分类中的应用和效果。
有研究者提出了一种基于遗传算法优化BP神经网络的遥感图像分类方法，该方法能够有效提高分类结果的准确性和稳定性。
还有研究者通过对遥感图像分类数据集进行实验验证，证明了遗传算法优化确定BP神经网络在处理大规模遥感图像分类任务时具有很好的性能。
还有一些研究者对遗传算法优化确定BP神经网络的原理和优化方法进行了深入探讨，为进一步提高遥感图像分类的精度和效率提供了重要参考。
基于BP神经网络的多源遥感影像分类
基于BP神经网络的多源遥感影像分类贾永红;张春森;王爱平【期刊名称】《西安科技大学学报》【年(卷),期】2001(021)001【摘要】在研究人工神经网络理论的基础上，应用动量法和学习率自适应调整的策略，改进了BP神经网络法。
并用于对同一地区的Landsat TM3,4,5影像和航空SAR影像融合进行分类和分类融合结果进行了比较。
结果表明：同标准的BP 神经网络、传统的Bayes融合分类法相比，改进的BP神经网络融合法不仅获得了标准BP网络高的分类精度，可同Bayes融合媲美，而且提高了学习率，增强了算法的可靠性，因而提高了影像分类速度，更适用于遥感影像分类。
%A fusion method for target recognition based on artificial neurual B-P network are studied. This improved method is used in classification of land use with remote sensing imagery such as SAR and TM band 5,4,3. Compared with classification of the standard B-P network and Bayesian statistics, the results show it has not noly the highest accurracy but also the fastest speed of classification. So it is applied in classification of remotely sensed images.【总页数】3页(P58-60)【作者】贾永红;张春森;王爱平【作者单位】武汉大学遥感信息工程学院,;西安科技学院测量工程系,;武汉大学遥感信息工程学院,【正文语种】中文【中图分类】TP751.1【相关文献】1.基于ENVI的CART自动决策树多源遥感影像分类——以北京市为例 [J], 马鑫;汪西原;胡博2.基于SVM不同核函数的多源遥感影像分类研究 [J], 王双亭;艾泽天;都伟冰;康敏3.基于BP神经网络的遥感影像分类方法研究 [J], 梁玉剑;常睿春4.基于多尺度BP神经网络的SAR影像分类技术研究 [J], 吴平; 卢耀武5.基于SVM的多源遥感影像分类研究 [J], 贾萍;李海涛;林卉;顾海燕;韩颜顺因版权原因，仅展示原文概要，查看原文内容请购买。
LM-BP神经网络在遥感影像分类中的应用研究
中图 分 类 号 ： Ｐ ９ Ｔ ７
文献标识码 ： Ａ
文 章 编 号 ： ０ ０ １ ７ ２ １ ） １ ～０ ８ —０ １ ０ —３ ７ （ ０ ０ １ １ ０ ０ ７
Ａｐ ｉ ａ ｉ ｎ ｏ ｐｌｃ ｔｏ ｆ ＬＭ ＿ － ＢＰ ｕ ａ ｔ ｒ ｎ Ｒｅ ｏ ｅ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ（ ｕ ｅ ｖｓ ｄ ａ ｄ ｕ ｓ ｐ ｒ ｉｅ ｔ ｏ ｓ 。 ｈ ｅ ｕ ｔ ｈ ｗ ｈ ｔｔ ｅ ｃａ ｓｆ ａ ｉｎ ｗｉｈ ＬＭ— Ｐ ｎ ｕ ａ ｅ — ｒ ｄｔｏ ａ ｔ ｏ ｓ ｓ ｐ ｒ ｉｅ ｎ ｎ ｕ ｅ ｖｓ ｄ ｍｅ ｈ ｄ ） ｔ ｅ ｒ ｓ ｌｓ ｓ ｏ ｔ ａ ｈ ｌ ｓ ｉ ｃ ｔ ｔ ｉ ｏ Ｂ ｅ ｒ ｌｎ ｔ ｗｏ ｋ ｙ ｔ ｅｉ ｔ ｇ ａ ｉ ｎ ｏ ｌｉ ｏ ｒ ｅｉ ｆ ｒ ｔ ｎ ｈ ｓａ ｈ ｅ ｅ ｈ ｉ ｈ ｓ ｃ ｕ ａ ｙ Ｔ ｉ ｉｄ ｃ ｔ ｓ ｔ ａ ｈ ｒ ｓ ｂ ｈ ｅ ｒ ｔ ｆｍｕ ｔ ｓ ｕ ｃ ｎ ｏ ｍａ ｉ ａ ｃ ｉ ｖ ｄ ｔ ｅｈ ｇ ｅ ｔａ ｃ ｒ ｃ ． ｈ ｓ ｎ ｉａ ｅ ｈ ｔ ｅＬＭ－ ｌ ｏ ｉｈ ｎ ｏ － ｏ ｔ ＢＰ ａｇ ｒｔ ｍ ｂ ｎ ｅ ｒ ｔ ｎ ｏ ｌｉ ｏ ｒ ｅ ｉ ｆ ｒ ｔ ｎ ｉ ｎ ｅ ｆ ｃ ｉｅ ｍｅ ｎ ｏ ｉ ｒ ｖ ｈ ｃ ｕ ａ ｙ ｏ ｌ ｓ ｉｉａ ｉｎ ａ ｄ ａ ｐ ｉａ ｉ ｎ ｏ ｅ ｙ ｉ ｔ ｇ ａ ｉ ｆｍｕ ｔ－ ｕ ｃ ｏ ｍａ ｉ ａ ｆｅ ｔ ａ ｓ ｔ ｍｐ ｏ ｅ ｔ ｅ ａ ｃ ｒ ｃ ｆ ｃａ ｓ ｃ ｔ ｎ ｐ ｌ ｔ ｆｒ — ｏ — ｓ ｎ ｏ ｓ ｖ ｆ ｏ ｃ ｏ ＿
摘 要 ： 效地 利 用 卫 星 遥 感 数 据进 行 多类 别 识 别 并 提 高 分 类 精 度 一 直 是 遥 感 应 用 研 究 的 前 沿 。 以江 苏 南 京 有 江 宁 区 为试 验 区 ， 合 最佳 指 数 提 取 的波 段 组 合 光 谱 信 患 、 度 共 生 矩 阵提 取 的纹 理 信 息 和 地 理 辅 助 数 据及 其 派 复 灰 生信 息 ， 用 Ｌ Ｂ 运 Ｍ—Ｐ神 经 网络 实 现 遥感 影像 分 类 ， 将 分 类 结 果 与标 准 Ｂ 网络和 传 统分 类 方 法 进 行 了比 较 。 研 并 Ｐ 究表 明 ， 卫 星 数据 与地 理 辅 助 数 据 结 合 ， 展 多源 多 维 信 息 复合 的 Ｌ Ｂ 将 发 Ｍ－ Ｐ方 法 可 以 大 大 提 高 分 类 的精 度 ， 提 是
遗传算法优化确定BP神经网络的遥感图像分类
遗传算法优化确定BP神经网络的遥感图像分类引言：遥感图像分类在农业、林业、地质勘探、城市规划等领域有着广泛的应用，它可以快速、准确地获取地表物体的信息，为决策提供科学依据。
由于遥感图像具有高维度、复杂的特征，对于传统的分类方法来说，存在着困难和挑战。
这就要求我们需要使用更加先进的技术来实现对遥感图像的分类。
基于此，本文将采用遗传算法优化确定BP神经网络的方法，来实现遥感图像的分类。
一、遥感图像分类的挑战和问题1.1 遥感图像的特点遥感图像具有高维度、复杂的特征，包括颜色、纹理、形状等多种信息，且存在噪声和光照等干扰因素，这些特点给遥感图像的分类带来了挑战。
1.2 传统分类方法的局限性传统的分类方法如支持向量机、K近邻等在处理高维度和复杂特征的遥感图像时，存在着维数灾难和模式识别困难的问题，分类效果有限。
二、遗传算法优化确定BP神经网络的原理2.1 BP神经网络的基本原理BP神经网络是一种通过不断调整权值和阈值来逼近目标输出的神经网络模型，具有强大的非线性映射和逼近能力。
其基本原理是通过前向传播计算预测输出值，再通过反向传播算法不断调整权值和阈值，使网络输出值逼近目标输出值。
2.2 遗传算法的基本原理遗传算法是一种模拟自然界生物进化过程的全局搜索算法，它通过种群的选择、交叉和变异等操作，不断演化出更优秀的个体，最终找到全局最优解。
其基本原理是通过适者生存和优胜劣汰的原则来搜索最优解。
2.3 遗传算法优化确定BP神经网络的原理将遗传算法和BP神经网络结合起来，即采用遗传算法来优化确定BP神经网络的权值和阈值。
首先将BP神经网络的权值和阈值编码成一个个体，然后通过交叉和变异等操作，不断演化出更优秀的个体，最终找到最优的网络结构和参数。
三、遥感图像分类的实验设计3.1 数据集准备选择一组包括植被、水体、建筑等多类别的遥感图像数据集作为实验数据，确保数据集包含了多维度、复杂的特征。
3.2 BP神经网络的构建构建一个具有输入层、隐含层和输出层的BP神经网络模型，其中输入层节点数为遥感图像的特征维度，输出层节点数为类别数，隐含层节点数根据经验确定。
基于BP神经网络的高分辨率遥感影像分类处理
Ｂ Ｐ神经 网络 算法进行 影像 分 类研 究。首先提 取 分类 所需 的光谱 和纹理 特征 源 ；然后根 据影 像和地物 特 征， 建立 Ｂ Ｐ神 经 网络 ， 于样本 训 练和 分类 处理 ， 用 实现地 物 分类 。为验证 该 方 法的可 靠性 ， 用 ２０ 选 ０６年 ｌ １月获取 的四 川省 成 都平原 某 区域 的 Ｑ ｉ Ｂｒ 影 像作 为 源数 据 ， 以总体精 度和 Ｋａｐ ｕｃ ｉ ｋ ｄ 并 ｐ ａ系数 作 为精度 评定指 标， 行 高分辨 率遥感 影像 的地物 分类 实验 。结果 显 示， 进 结合 影像 光谱 和纹理 特征 的 Ｂ Ｐ神 经 网络 分类方 法， 不仅 可 以达到 较 高的分 类精度 ， 能有 效保证 Ｂ 还 Ｐ神 经 网络分 类训 练的稳 定性 和收敛 速度 。 【 关键诵】 地 物分 类 光谱特 征 纹理特征 Ｂ Ｐ神经 网络
米 级 分辨率 的趋 势 。 高分 辨率遥 感 影像 成 为 当今 遥 感领域 的主要数 据 资料 ， 它借 助 获取速度 快 、 空 问分辨率高 、 物信 息详尽 及可提供 立体 影像等 特 地
点， 已表现 出逐步 取代 中低分辨 率影 像 的趋 势 ， 并 在 商业和 民用 的很 多领 域 中发挥 出重 大作 用 。 对 高分辨率遥 感影像进 行分类处 理 ， 取 出其 中丰 富 提 的信息资源 ， 可进行 各类 实际 的生产 和应用 ， 城 如 图 １ 测 区 Ｑｕｃ Ｂ ｒ 真 彩色 和全 色） 像 ｉ ｉ ｋ ｄ（ 影
首先 根 据美 国查维茨提 出的最 佳指数 因子 Ｏ Ｆ Ｉ
（ ｐｉ ｕ Ｉ ｄ ｘ ａｔｒ分析法 Ｏ ｔ＇ ｍ ｎ ｅ ｃｏ） ｒ ａ Ｆ 来确 定影像多光 谱
细节 信 息清晰丰 富 ， 即使 同类地 物 的灰度值 也 存在 差异 的特 点 ， 虑 到 Ｃ Ｎ 纹理 正好 能够 表 征 局部 考 Ｏ 的灰 度变 化频率 ． ， 从而 可 以较好 地 反映 出影像 中各
基于BP神经网络的遥感影像分类研究
内容摘要
该方法首先将遥感影像的空间和光谱信息分别作为输入，通过CNN进行特征提 取和分类。然后，将空间和光谱分类结果进行融合，得到最终的分类结果。具体 步骤如下：
内容摘要
1、数据预处理：对遥感影像进行预处理，包括辐射定标、大气校正、几何校 正等步骤，以消除噪声和畸变。
内容摘要
2、空间特征提取：将预处理后的影像输入到空间CNN中，进行特征提取和分 类。空间CNN采用卷积层、池化层和全连接层组成，可以有效地提取空间特征并 进行分类。
随着遥感技术的不断发展，遥感影像的分辨率和数据量也在不断提升。遥感 影像包含了丰富的空间和光谱信息，对于地物分类、环境监测、城市规划等领域 具有重要意义。然而，传统的遥感影像分类方法往往只利用了空间或光谱信息， 忽略了两者之间的相互关联，导致分类精度受限。因此，如何有效地利用遥感影 像的空间和光谱信息进行分类，是遥感领域的一个重要问题。
基于BP神经网络的遥感影像 分类研究
目录
01 一、基本概念与背景
02
二、多时相遥感影像 变化检测的方法
03
三、研究挑战与未来 展望
04 四、结论
05 参考内容
标题：多时相相感影像变化检测 方法研究进展综述
标题：多时相相感影像变化检测方法研究进展综述
多时相遥感影像变化检测（Multitemporal Remote Sensing Image Change Detection, MRSID）是遥感科学与地理信息系统（GIS）领域的重要研究方向。 这种技术通过对比不同时间拍摄的卫星或航空图像，来识别地表特征、自然现象 和人类活动引起的变化。本次演示将综述多时相遥感影像变化检测方法的研究进 展。
2、基于特征的变化检测方法
ห้องสมุดไป่ตู้ 2、基于特征的变化检测方法
基于BP神经网络的遥感影像分类方法
基于BP神经网络的遥感影像分类方法
王崇倡;武文波;张建平
【期刊名称】《辽宁工程技术大学学报：自然科学版》
【年(卷),期】2009(0)1
【摘要】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。
【总页数】4页(P32-35)
【关键词】BP神经元网络;遥感;分类;精度
【作者】王崇倡;武文波;张建平
【作者单位】辽宁工程技术大学测绘与地理科学学院
【正文语种】中文
【中图分类】P237
【相关文献】
1.基于BP神经网络的石漠化遥感影像分类方法的探讨 [J], 麦格;童新华
2.基于自适应高斯混合模型的遥感影像分类方法研究——以武汉地区遥感影像分类为例 [J], 李登朝;吴健;许凯
3.基于元胞自动机和BP神经网络算法的Landsat-TM遥感影像森林类型分类比较[J], 田静;邢艳秋;姚松涛;曾旭婧;焦义涛
4.基于BP神经网络的遥感影像分类方法研究 [J], 梁玉剑;常睿春
5.GA-PSO优化BP神经网络的遥感影像分类方法 [J], 薛明;韦波;杨禄;李景文;姜建武
因版权原因，仅展示原文概要，查看原文内容请购买。
BP神经网络算法在遥感图像分类中的具体应用
人工神经网络是以对信息的分布存储和并行处理为基础， 在许多方面更接近人对信息的处理方法，具有模拟人的形象 思维的能力，反映了人脑功能的若千基本特性，是人脑的某
种抽象、简化和模拟。结合前面所叙述的遥感处理过程中的 困难，可以看出使用人工神经网络进行遥感图像分析处理存 在着优势，具体体现如下：①计算过程大量并行、高度分布， 这使其能高速处理大量数据和求解非常复杂的问题；②具有 自学习、自适应和自组织能力，对外表现为可以适应多种不 同的问题空间，也能很好地抑制噪声和信息缺失对最优解的 影响，对内表现为很好的容错性，即可以通过自适应与自组 织来消除坏神经元的影响；③人工神经网络是内察非线性系 统，能“自然地”实现各种非线性映射和求解各种十分复杂 和高度非线性的分类和模式识别问题。
四、BP 神经网络算法的实现
BP 算法的计算机实现按以下步骤进行：①初始化，即对 所有权值赋以随机任意小值，并对阈值设定初值；②给定训 练数据集，即提供输入向量 X 和期望输出 Y；③计算实际输 出 Y 和网络误差 e；④调整权值，按误差反向传播方向，从 输出层开始返回到隐含层直至输入层，修正所有权值；⑤返 回第②步重复，直至误差满足要求为止。
二bp神经网络算法原理一般来说bp网络是一种具有三层或三层以上的多层神经元网络它的左右层之间各个神经元实现全连接即左层的每一个神经元与右层的每一个基于bp神经网络的遥感影像分类研究神经元都连接而上下各层之间无连接
【科技与管理】 Technology and Managementபைடு நூலகம்
9 下 2016 年 第 27 期（总第 545 期）
二、BP 神经网络算法原理
一般来说，BP 网络是一种具有三层或三层以上的多层神 经元网络，它的左右层之间各个神经元实现全连接，即左层 的每一个神经元与右层的每一个基于 BP 神经网络的遥感影像 分类研究神经元都连接，而上下各层之间无连接。典型的 BP 网络包括输入层、隐含层 ( 或称中间层，由一层或多层组成 ) 和输出层，神经元网络结构由输入层、隐含层和输出层组成， 隐含层可以多于一层，视需要而定。基本元素由神经元组成。 输入层的每个节点接受输入向量，在分类中是参加分类的光 谱数据或其变换形式数据。输出层的节点是根据实际的分类 结果，可以是不同的土壤、土地利用、植被等类型。节点数 取决于训练样本，根据训练样本经过“学习”过程后，再用 训练好的神经元网络模型对像元进行分类。
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。
遗传算法优化确定BP神经网络的遥感图像分类
遗传算法优化确定BP神经网络的遥感图像分类遗传算法（Genetic Algorithm，GA）是一种应用于求解优化问题的智能算法。
遥感图像分类是一种常见的图像处理任务，而BP神经网络是一种常用的分类模型。
将遗传算法与BP神经网络相结合，可以提高遥感图像分类的准确性和效率。
在遥感图像分类中，首先需要准备训练样本和测试样本。
训练样本用于训练BP神经网络的权重和阈值，而测试样本用于评估网络的分类性能。
然后，通过遗传算法确定BP神经网络的参数。
遗传算法的核心思想是模拟生物进化中的自然选择和优胜劣汰的过程。
具体而言，遗传算法通过三个操作模拟自然进化的过程：选择、交叉和变异。
根据适应度函数选择适应度较高的个体（即BP神经网络参数）作为父代。
然后，通过交叉操作将两个父代个体的染色体（即网络参数）进行交叉组合，生成子代。
通过变异操作对子代的染色体进行随机变换，以增加种群的多样性。
这样，经过多次迭代，遗传算法可以找到适应度最高的个体，即最优的BP神经网络参数。
在遥感图像分类中，适应度函数可以通过网络的分类准确率来定义。
遗传算法的优势在于可以在大量参数空间中进行搜索，并通过自然选择机制不断优化，从而找到最优解。
而BP神经网络作为分类模型，具有很好的学习能力和非线性拟合能力，可以更好地处理遥感图像分类问题。
将遗传算法应用于优化BP神经网络的遥感图像分类任务，可以提高分类准确率和效率。
这种方法可以广泛应用于遥感图像的土地利用分类、目标检测等相关问题，具有很好的应用前景。
但是需要注意的是，遗传算法的效果受到问题复杂度、种群大小、交叉和变异的概率等参数的影响，需要通过实验和调优来确定最佳的参数设置。
基于BP神经网络的遥感影像模式识别方法研究的开题报告
基于BP神经网络的遥感影像模式识别方法研究的开
题报告
一、研究背景
遥感影像是一种重要的观测手段，广泛应用于城市规划、农业、林业、地质勘探、环境监测等领域。
然而，影像数据量巨大，传统的遥感影像解译方法耗时且精度有限，因此如何快速、准确地进行遥感影像的模式识别成为了研究热点。
BP神经网络是一种基于误差反向传播算法的神经网络模型，具有优秀的模式识别能力。
本研究将基于BP神经网络模型，对遥感影像进行分类识别，提高遥感影像解译的效率和准确性。
二、研究目的
本研究旨在探索基于BP神经网络的遥感影像模式识别方法，实现对遥感影像的自动分类识别，提高遥感影像解译的效率和准确性。
三、研究内容和方法
本研究将采用以下步骤实现基于BP神经网络的遥感影像模式识别方法：
1. 数据预处理：包括遥感影像数据的获取、几何校正、辐射定标、大气校正等预处理工作，确保数据的可靠性和一致性。
2. 特征提取：对遥感影像进行特征提取，包括颜色、纹理、形状等特征，以提高不同类别之间的区分度。
3. BP神经网络建模：将提取的特征作为输入，利用BP神经网络模型进行建模，训练模型并优化参数，以提高模型的泛化能力。
4. 模型验证与评估：采用交叉验证方法对模型进行验证，评估模型的准确性和鲁棒性，分析模型的误差来源。
四、研究预期结果
1. 实现基于BP神经网络的遥感影像模式识别方法，提高遥感影像解译的效率和准确性。
2. 建立遥感影像分类识别的理论体系和技术框架，为相关领域的研究提供参考和借鉴。
3. 推动遥感影像在城市规划、环境监测、灾害预防等领域的应用，促进科技进步和社会发展。
基于BP人工神经网络的遥感影像分类_徐磊
２０１２年８月第１０卷第４期地理空间信息ＧＥＯＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＡｕｇ．，２０１２Ｖｏｌ．１０，Ｎｏ．４基于BP 人工神经网络的遥感影像分类徐磊1,2，林剑1，李艳华1,2，燕梅1,2（1.湖南科技大学知识处理与网络化制造重点实验室，湖南湘潭411201；2.湖南科技大学建筑与城乡规划学院地信系，湖南湘潭411201）摘要：重点讨论了遥感图像分类处理过程中应用效果显著的BP 神经网络方法，并在Matlab 软件平台下对基于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ERDAS 软件平台下的监督分类结果进行分类精度评定比较分析。
结果表明,基于BP 神经网络的遥感图像分类总精度比ERDAS 软件平台下的监督分类的总精度高，是一种有效的遥感影像分类方法。
关键词：BP 人工神经网络；遥感影像；Matlab 中图分类号：P237文献标志码:B文章编号:1672-4623(2012)04-0083-03收稿日期：2012-02-21项目来源：湖南省科技计划一般项目(2010FJ3166)；湖南省发改委资助项目(湘财企指[2008]149号)。
传统遥感图像的分类方法是通过目视解译，这种方法需要图像判读者具有丰富的地学知识和判读经验，费时费力，资金投入高，获取周期长，时效性差[1]。
随着计算机技术的飞速发展，计算机在遥感图像判别中得到广泛应用。
计算机遥感图像判别主要采用统计模式识别的方法，此方法利用图像中地物的光谱特征，对图像中的地物进行分类，利用计算机统计模式识别获取遥感信息已成为各项研究、动态监测、数据更新等的重要数据来源[1]。
因此，如何准确提取研究区数据及遥感影像分类成为一项有意义的工作。
本文引入人工神经网络模型，加快了处理速度，提高了分类精度[2]。
目前应用的神经网络模型有很多种，本研究采用BP 神经网络对影像进行分类处理。
1BP 神经网络1.1基本原理20世纪80年代，Rumelhart 等提出了BP 反向学习算法，在此基础上发展为BP 神经网络(BPNN )。
基于神经网络的遥感图像分类
基于神经网络的遥感图像分类一、引言随着遥感技术的迅猛发展，获取大规模遥感图像已成为一种常见的手段。
如何对遥感图像进行有效的分类，一直是遥感图像处理领域研究的热点之一。
传统的遥感图像分类方法往往需要人工选择分类特征，然后采用经验性的分类器进行分类，存在性能受限和人为主观性的问题。
而基于神经网络的遥感图像分类方法则能够自动分析图像特征，不依赖于人为选择分类特征，因此也获得了广泛的关注和应用。
本文将结合现有研究成果，就基于神经网络的遥感图像分类进行介绍和探讨。
二、基础知识：神经网络及其分类原理神经网络是一种模拟人类神经系统的计算模型。
它具有并行分布处理、容错性强等特点，可以应用在分类、识别、预测等方面。
在遥感图像分类中，神经网络的分类原理主要分为两种：基于单层感知机的分类和基于多层感知机的分类。
1、基于单层感知机的分类单层感知机是一种只含有一个神经元的神经网络模型。
其基本思想是将输入的特征向量通过线性变换映射到一维的输出向量上，并与某一个阈值进行比较，从而实现二分类。
单层感知机的分类过程如下所示：设模型的输入特征向量为x，权值向量为w，阈值为b，则神经元的输出为$$y=\begin{cases}1,\sum_{i=1}^{n}x_i\times w_i+b>0\\0,\sum_{i=1}^{n}x_i\times w_i+b\leq 0\end{cases}$$由于单层感知机只能处理线性可分问题，因此对于复杂的非线性问题，需要引入多层感知机。
2、基于多层感知机的分类多层感知机是一种具有多个神经元之间相互连接、信息处理能力更强的神经网络模型。
其基本思想是通过多层非线性变换，将输入特征向量映射到高维空间中，从而实现更加复杂的分类。
多层感知机的分类过程如下所示：输入的特征向量经过一层隐藏层的非线性变换，输出为$$z=f(x\times w+b)$$其中，f为激活函数，通常采用sigmoid函数、ReLU函数等。
基于BP神经网络TM影像分类研究
基于BP神经网络TM影像分类研究摘要：本文提出了一种基于局部自动搜索和光谱匹配技术的训练样本纯化的BP网络分类方法。
利用影像的空间信息在图像局部范围内自动搜索和选择最佳样区位置，再用光谱匹配对寻找到的最佳样区在光谱空间上进一步纯化。
从空间和光谱两个角度对样区进行了纯化，使得训练样本更适合遥感图像分类的要求，最后利用BP网络对遥感图像进行分类。
实验结果证明，原始遥感图像经过样区纯化算法处理后，目视判读效果和数值分析都表明提高了分类精度。
关键词：局部搜索；光谱匹配；训练样本；BP分类；样区纯化Classification of Remote Sensing Image Based on BP Neural NetworksLinJieAbstract：In this paper，we proposed a supervised classification method for remote sensing image based on local automatically searching training samples and spectral matching technique.The best training samples have been searched and selected on the whole image by the local spatial information and spectral matching，and then purified them on spectral domains.Both spatial and spectral information are purified to enable the training sample meet the requirement for classification at the best.An experiment for TM image classification based on BP neutral networks has been conducted to validate the procedure.It can be seen from our experiment that the classifying results are improved from the observation of naked eye and the numerical value analysis.So the proposed approach has practical application value to some extend for it’s simple and high efficiency.Key words：local searching、spectral matching、BP networks.1.引言多光谱遥感图像反映了地物不同的光谱特征，其分类是环境与灾害监测，农、林、土地资源利用等应用的基础。
基于BP神经网络的遥感图像分类
遥感技术是通过对遥感传感器接收到的电磁波辐射信息特征的分析来识别地物的，这可 以通过人工目视解译来实现，或用计算机进行自动分类处理，也可以那个人工目视解译与计 算机自动分类处理相结合来实现。因此用计算机多遥感图像进行地物类型识别是遥感图像数 字处理的一个重要内容【1】。自 20 世纪 70 年代以来，遥感数字图像分类处理计算机识别一 直是遥感技术及相关领域学者关注的问题【2】，其目的在于通过计算机对遥感图像像元进行 分类，达到自动识别地物的目的。
图 2 分类前的原始图像
-4-
图 3 最大似然法分类结果
图 4 BP 神经网络分类结果
从分类结果可以看出 BP 神经网络的分类结果较好，相比起传统的分类方法尤其独特的 优势，弥补了传统分类方法的不足。
-5-
j
（5） 修正权系数 Wij 和阈值θ 。一般计算公式为：
Wij (t +1) = Wij (t) +ηdikXkj −1
式中，η 为大于零的增益，一般取值为 0.2~0.6。
当使用冲量时，修正系数公式可采用下式：
Wij (t
+ 1)
=
Wij
(t)
+ η dik
X k −1 j
+
α∆Wij
(t)
∆Wij
遥感图像分类是基于数据文件值，把像元分选胃许多有限单个数据类的过程。遥感图像 分类算法的核心就是确定判别函数和相应的判别准则。图像的分类过程就是模式识别的过 程，遥感图像分类的任务是通过对各类地物的光谱特征分析来选择特征参数，将特征空间分 为互不重叠的子空间，然后将影像内各个像元划分到各个子空间中去，从而实现分类。所以
BP 神经网络算法用于遥感影像分类的过程为：
基于神经网络的多光谱遥感影像分类研究
基于神经网络的多光谱遥感影像分类研究随着科技的飞速发展，现代遥感技术在地球表面的探测与监测中扮演着极为重要的角色。
其中，多光谱遥感影像分类技术的发展，为遥感应用提供了更便捷、高效的解决方案。
本文主要将基于神经网络的多光谱遥感影像分类研究作为主题，对该技术及其发展现状展开探讨。
一、多光谱遥感影像分类技术的意义在多光谱遥感技术中，通过采集地面反射或发射的不同波段光谱，将遥感影像分成几个相应的光谱波段。
针对每一光谱波段，可获得该波段特定的信息，进而深入观察与分析地表的物质组成、空气质量、海水波浪、天气风云等自然现象。
因此，多光谱遥感影像分类技术具有非常重要的意义。
一方面，该技术能够对地表景物进行分类，进而为城市规划、环境监测、森林资源管理等应用提供大量可靠数据支撑；另一方面，多光谱遥感影像分类技术也能够促进大气、海洋等自然环境的监测，有助于预测和应对环境变化的威胁。
在此之上，多光谱遥感影像分类技术甚至可以为农业生产、灾害预警等方面提供重要的决策支持。
二、基于神经网络的多光谱遥感影像分类方法现在多光谱遥感影像的分类分类技术主要分为三种：经典分类方法、特征提取算法和神经网络算法。
其中，神经网络算法充分利用了神经网络在模式识别中的优势，具有结构简单、处理速度快、分类准确率高等优点，因此在多光谱遥感影像分类技术研究领域已具有广泛应用。
基于神经网络的多光谱遥感影像分类方法，主要是通过对遥感图像进行预处理、特征提取、模型构建和训练等步骤，实现对遥感影像的分类。
该方法主要分为以下三个方面：1、预处理。
预处理是神经网络多光谱遥感影像分类中不可或缺的关键环节。
主要包括：遥感图像的标准化或正则化、噪声去除、影像增强、边缘检测等预处理流程。
这些处理手段有利于提取有效的图像特征，为后续分类进行准备。
2、特征提取。
通过深入挖掘和分析多光谱遥感影像的内在属性，挖掘不同波段之间的相关性，提取出更为有意义的、可用于分类的特征参数。
通常采用PCA、LDA、Waveslets 等算法进行特征提取。
基于BP人工神经网络的遥感影像分类
基于BP人工神经网络的遥感影像分类徐磊;林剑;李艳华;燕梅【期刊名称】《地理空间信息》【年(卷),期】2012(010)004【摘要】重点讨论了遥感图像分类处理过程中应用效果显著的BP神经网络方法,并在Matlab软件平台下对基于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ERDAS软件平台下的监督分类结果进行分类精度评定比较分析。
结果表明,基于BP神经网络的遥感图像分类总精度比ERDAS软件平台下的监督分类的总精度高,是一种有效的遥感影像分类方法。
【总页数】4页(P83-85,88)【作者】徐磊;林剑;李艳华;燕梅【作者单位】湖南科技大学知识处理与网络化制造重点实验室,湖南湘潭411201 湖南科技大学建筑与城乡规划学院地信系,湖南湘潭411201;湖南科技大学知识处理与网络化制造重点实验室,湖南湘潭411201;湖南科技大学知识处理与网络化制造重点实验室,湖南湘潭411201 湖南科技大学建筑与城乡规划学院地信系,湖南湘潭411201;湖南科技大学知识处理与网络化制造重点实验室,湖南湘潭411201 湖南科技大学建筑与城乡规划学院地信系,湖南湘潭411201【正文语种】中文【中图分类】P237【相关文献】1.基于自适应高斯混合模型的遥感影像分类方法研究——以武汉地区遥感影像分类为例 [J], 李登朝;吴健;许凯2.基于BP人工神经网络平潭海域赤潮叶绿素a浓度模型演算研究 [J], 许阳春; 张明峰; 苏玉萍; 洪颐; 苏金洙; 陈晶晶3.基于BP人工神经网络的英那河流域径流模拟研究 [J], 高清震4.基于BP人工神经网络喷射成形7055铝合金的本构模型 [J], 罗锐;曹赟;邱宇;崔树刚;周皓天;周易名;袁飞;张肖佩佩;程晓农5.基于BP人工神经网络的快速工程估算研究综述 [J], 韩思淼;黄剑因版权原因，仅展示原文概要，查看原文内容请购买。
BP神经网络在遥感图像分类中的应用
光谱特征
人工神经网络分类
地理信息
结果输出
分类统计 地物特征
精度评价
精度高
精度低
图 2 神经网络分类流程
-4-
经神经网络分类后得到图 5。
1. 引言
遥感图像分类（classification）是将图像的所有像元按其性质分为若干个类别（class） 的技术过程[1]。遥感图像分类技术作为遥感技术的一个重要分支,多年来一直受到遥感界研究 人员的普遍重视,其核心任务就是确定不同地物类别间的判别界面和判别准则[2]。遥感影像主 要是通过像元亮度值的差异或空间梯度变化来表示不同地物间的差异。像元间的亮度差异反 映了地物的光谱信息的差异，而空间变化的差异反映了地物的空间信息的不同，这是遥感影 像分类的基本依据。
w ∂ net k
是隐层节点 j 与输出层节点 k 的连接权重。
jk
-3-
3．BP 神经网络在 RS 影像分类中的应用
3.1 概述
近年来,人工神经网络已广泛应用于遥感图像分类。在国外，Hepner G F 等用 BP 模型对 卫星遥感获取的数据进行了土地覆盖的分类[6]。在国内，李强等提出了基于三维 Hopfield 人 工神经网络模型的遥感分类方法,将遥感信息分类过程与分类后处理中的平滑过程有机地结 合起来,并通过实验证明,该方法可明显提高森林类型划分、土地利用调查等遥感专题应用的 分类精度[7]。
2.2.2 算法
考虑一个三层神经网络，即由在输入层和输出层之间引入一个隐层。对于任给两个节点层，
按网络中信息流向箭头方向规定，箭头所指方向的节点称为箭尾节点的下层节点，箭尾节点
遗传算法优化确定BP神经网络的遥感图像分类
遗传算法优化确定BP神经网络的遥感图像分类一、引言BP神经网络是在遥感图像分类中经常使用的一种神经网络模型，它通过训练样本的反向传播来对神经元的权值进行调整，从而实现对遥感图像的分类。
BP神经网络在训练过程中容易陷入局部最优解，导致分类效果不佳。
本文旨在利用遗传算法对BP神经网络进行优化，实现对遥感图像的自动分类。
遗传算法是一种模拟自然选择和遗传机理的随机优化方法，能够全局搜索解空间，并且有较强的收敛性和全局搜索能力。
在优化BP神经网络时，可以将神经网络的权值和阈值作为个体编码来进行遗传算法的优化，从而找到最优的BP神经网络结构，提高遥感图像分类的准确率。
1. 神经网络结构的初始化在遗传算法优化BP神经网络时，首先需要对神经网络的结构进行初始化。
这包括确定神经网络的输入层、隐层和输出层的神经元个数，以及确定隐层和输出层之间的连接权值和阈值。
这些参数将作为遗传算法的个体编码，通过遗传算法进行优化调整。
2. 适应度函数的设计在遗传算法中，需要设计一个适应度函数来评价每个个体的好坏，从而确定哪些个体能够保留下来。
在优化BP神经网络时，可以以神经网络分类的准确率为适应度函数，即将神经网络对训练样本的分类准确率作为适应度函数的取值。
通过适应度函数的设计，可以使遗传算法尽可能地找到具有更高分类准确率的BP神经网络结构。
3. 遗传算子的选择遗传算法包括选择、交叉和变异三个基本操作，它们分别保留优秀个体、交换遗传信息和引入新的遗传信息。
在优化BP神经网络时，可以根据具体情况选择适当的遗传算子来进行操作。
可以采用轮盘赌选择和单点交叉，以及随机变异等遗传算子来对BP神经网络进行优化。
4. 神经网络训练和优化三、实验与结果为了验证遗传算法优化BP神经网络的有效性，本文在某地的遥感图像数据上进行了实验。
选取了一组训练样本和测试样本，并对遥感图像进行了预处理和特征提取。
然后，利用遗传算法对BP神经网络进行了优化，得到了最优的神经网络结构和权值参数。
- 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)。
。其目的在于通过计算机对遥感图像像元进行分类， 达到自动识别地物的目的。随着遥感技术的
发展， 由各种不同遥感器获取的同一地区的多光谱、 多分解力、 多时相的影像数据越来越多， 为自然资源调 查、 环境监测等提供了丰富而又宝贵的资料。但各种单一的遥感手段获取的影像数据在几何、 光谱和空间 分辨率等方面存在着明显的局限性和差异性， 导致其用于分类的能力是有限的。显然， 把他们各自的优势 和互补性结合起来用于分类是非常重要的。信息融合技术是多源信息综合处理的一项技术， 它能将多源 信息加以合成， 产生比单源信息更精确、 更完全的估计和判决。按融合层次可分为： 数据层、 特征层和决策 层融合。目前， 融合系统趋向于采用特征层和决策层融合法， 且主要采用 B<IJG 和 K > 4 融合法。 B<IJG 法 在推进过程中依赖于先验概率的选取， 而且不能处理不确定信息； K > 4 法虽然不需要先验信息且具备很 强的处理不确定性信息的能力， 但这是以较大的计算量为代价换来的。为克服上述缺陷， 寻求一种普遍适 用的、 符合人脑思维形式的融合法是非常必要的。神经网络具有信息的分布式存储、 并行处理、 自学习和 自组织等功能， 并将多源信息特征构成的高维特征空间进行 “整合” 处理即多维信息融合， 用于目标识别无 疑会更加有效。因此， 本文在研究神经网络的基础上， 应用动量法和学习率自适应调整的策略， 改进了 BC 神经网络法。并对同一地区的 /<EFG<H 5;)， D， @ 三波段影像和航空 4.- 影像融合进行了土地利用分类试 验。
"
Байду номын сангаас
收稿日期：!((( > (@ > (!
万方数据 （"TUU > ） 作者简介：贾永红 ， 男， 湖北仙桃人， 副教授， 主要从事遥感图像处理的研究 &
基金项目：国家测绘局测绘科技发展基金资助项目 （TA("@）
第#期
贾永红等
基于 !" 神经网络的多源遥感影像分类
%@
［#］ ［$］ ［%］ 应用 !" 神经网络分类的关键问题涉及网络结构设计、 网络学习等 。在 !" 神经网络结构确定 后， 就可利用输入输出样本集对网络进行训练。即对网络的权值和阈值进行学习和调整， 使网络实现给定
具有一个隐含层的 !" 神经网络结构
*+,’-’.’/0 123+/0 !4" 12,56+7 5’,8 / 8’9921 0/:2+
本文提出采用动量法和学习率自适应调整的策略， 以提高学习率并增强算法的可靠性。 #）初始化权值 ! 和阈值 " # 即把所有权值和阈值都设置成较小的随机数。 包括输入向量和要求的预期输出。 ;）提供训练样本对。 $）计算隐含层和输出层的输出。 对于图 # 来说， 隐含层的输出为 式中 （ ! #! & # ’ " #） $ # % 06(<’( （ ） 是 型函数的对数式。 06(<’( <’(=6’9 输出层的输出为 $ ; % ! ;! $ # ’ " ; 标准的 !" 神经网络的权向量调整公式为 >）调整权值。 （ ( ’ #）% ! （ ( ）’ !) （ (） ! （#） （;）
的输入输出映射关系。其学习过程包括正向传播和反向传播两个过程。在正向传播过程中， 输入信息从 输入层经隐含层逐层处理， 并传向输出层。每一层神经元的状态只影响下一层神经元的状态。如果输出 不能得到期望的输出， 则转入反向传播， 将误差信号沿原来的路径返回。通过修改各层神经元的权值， 使 误差最小。
图# &’() #
表4 采用标准的、 改进的 ’( 神经网络和 ’"7,8 统计融合分类结果 !%& ’&()*+( ,- .*"((/-/."+/,0 #1 (+"02"’2 0&)’"* 34 0&+5,’6， /78’,9&2 0&)’"* 34 0&+5,’6 "02 3"1&(/"0 2"+" -)(/,0
;
改进的 !" 神经网络设计及其用于融合分类试验结果的分析
众所周知， 多层神经网络能够以任意精度逼近任意连续的非线性映射过程的前提是在网络任意大的 情况下成立。 对于给定的问题， 网络的层数取决于问题的要求， 同时直接影响其推广能力。 根据实践经验， 本文选用图 # 的 $ 层 !" 神经网络结构。 其输入层节点数与图像的特征数相同； 输出层节点数与分类类别数 相同； 隐含层节点数视问题的复杂度经试验确定。 一般确定隐节点数的方法采用试探法； 先设定一个数为 隐节点数， 如果训练误差不能下降到所需范围就增加节点数。 如果误差已经很小而分类效果依然很差， 说 万方数据 明隐节点数过多， 此时需适当减少隐节点数。
文章编号："((" > ?"!? （!(("） (" > ((@A > ()
基于 BC 神经网络的多源遥感影像分类
贾永红" ，张春森! ，王爱平"
（" & 武汉大学 遥感信息工程学院， 湖北 武汉 陕西 西安 D)((?(； ! & 西安科技学院 测量工程系， ?"((@D）
摘
要：在研究人工神经网络理论的基础上， 应用动量法和学习率自适应调整的策略， 改进了
:*"((/-1/0; ,- 7)*+/(,)’.&( ’&7,+& (&0(/0; /7";&’1 #"(&2 ,0 34 0&)’"* 0&+5,’6
?Q2 TB*GPEB*G4 ，UV2WS XEN*P,8*& ，Y2WS 2IPKI*G4
（4 ! "#$%%& %’ ()’%*+,-.%) /)0.)11*.)0 ’%* 21+%-1 "1)3.)0 ，45$,) 6).71*3.-8 ， 45$,) /.66A6， 9$.), ； & ! :1;- ! %’ "5*718 /)0.)11*.)0 ，<. ’ ,) 6).71*3.-8 %’ "#.1)#1 Z =1#$)%&%08 ，<. ’ ,) A4660/， 9$.), ）
标准 ’( 神经网络法 改进的 ’( 神经网络 ;/ < ; 慢 ;= < > 快 ’"78, 统计法 ;= < / 较快
!"#$ 4
分类方法 平均分类精度 9 : 分类速度
. 结
论
4）改进的 ’( 神经网络融合分类法采用动量法和学习自适 应调整的策略， 有效地提高了学习速度， 增强了算法的可靠性， 因而提高了影像分类速度。 改进的 ’( 神经网络融合分类法不受土地类型灰度分布的限制， 分 &）同 ’"78, 统计融合分类法相比， 类速度快， 分类精度能同 ’"78, 统计融合分类相媲美。因此更适用于遥感影像土地利用分类。 仅作了初步研究， 很多更深入的问题有待进一步研究。 .）由于受资料限制， 参考文献：
（$） （ ( ’ #） 、 （ (） 分别为 ( ’ #、 （ (） 是 ( 时刻的负梯度。 可见标准的 !" ! ! ( 时刻的权向量， ) ! 是学习率， 算法实质上是一种简单的最速下降静态寻优算法。 在修正权值时， 只按照 ( 时刻的负梯度式进行， 而没有 考虑到以前积累的经验， 从而常常使学习过程发生振荡， 收敛缓慢。 收敛速度与学习率大小有关。 学习率小， 收敛慢； 学习率大， 则有可能修正过头， 导致振荡甚至发散。 本 文采用自适应调整学习率的改进算法如下 （ ( ’ #）% ! （ ( ）’ ! （ (） （ (） ! ) （ ( ）% ;" （ ( * #） ! ! （>） （%）
"
BC 神经网络的基本原理及其改进算法
［! L )］ 就是 B<MNOC=$P<Q<HR$E （反向传播） 算法的简称。 BC 神经网络通常有一个或多个隐含层， 含 BC 算法 ［!］ 有一个隐含层的 BC 神经网络结构如图 " 所示 。
图中 ! 代表输入层有 " 个分量的输入向量， 输 # "， # "， $ "， $ !， % "， % !， & "， & !， ’ "， ’ ! 分别为稳含层、 出层神经元的权矩阵、 阈值向量、 输出向量、 神经元数及加权和向量。隐含层神经元的变换函数采用 %$QO 输出层神经元的变换函数采用线性函数。 GRQS$RF 型函数，
［/］ 出了 )"*+,"# -!.， 改进的 ’( 神经网络和 ’"78, 统计融合法分类 的平 /， 0 与 123 影像分别采用标准的、 均分类精度和分类速度。分类精度是根据从分类图中随机取样， 统计与实际类别之间的混淆程度， 由混淆
矩阵计算得来的。 从表 4 可见， 改进的 ’( 神经网络融 合分类法分类精度较标准 ’( 神经网络 融合分类精度高， 可同 ’"78, 统计融合 分类相媲美。但是从分类速度上看， 改 进的 ’( 神 经 网 络 融 合 分 类 法 速 度 最 快， 明显比 ’"78, 统计融合分类法、 标准 ’( 神经网络融合快得多。
=6
西
安
科
技
学
院
学
报
&664 年
［&］ 根据前述， 本文基于 !"#$"% 语言 编制了标准的、 改进的 ’( 神经网络分类程序。 采用覆盖广东三水城