| 【中文题名】 | 基于人工神经网络的遥感影像模式分类研究 |
| 【英文题名】 | Pattern Classification Research of Remote Sensing Image Based on Artificial Neural Network |
| 【学科专业】 | 控制理论与控制工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2005-7-14 |
| 【中关键词】 | 遥感,模式分类,人工神经网络,自组织特征映射,学习矢量量化, |
| 【英关键词】 | Remote sensing,Artificial neural network,Pattern classification,Learning vector quantization, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>遥感技术>遥感图像的解译、识别与处理>> |
| 【论文摘要】 | 遥感是一种远离目标,通过非直接接触而判定、测量、并分析目标性质的技术,它实现了空间(或地表)图像信息的采集、处理、识别和分类。遥感技术作为一种信息时代的产物和工具,具有周期动态性、信息量丰富、获取效率高等显著优势,因此可以说遥感技术是当前人类获取时空信息的最有效的技术和手段之一。遥感影像主要被用来测绘地形图,制作正射影像图和经专业判读后编绘各种专题图。通过格式变换,直接存入地理信息系统的数据库,修测的内容可以更新GIS数据库。
模式分类技术是遥感技术中的一项关键技术。虽然模式分类技术的研究历史比较长,但随着遥感技术的发展,不断需要遥感模式分类技术能够提供更好的结果,同时也促进了模式分类技术的发展。
假设条件存在差异时,无法取得满意的识别效果,使得传统的遥感影像分类方法难以快速准确地从遥感影像中提取信息。神经网络技术的发展为解决这一问题提供了新的方法,神经网络具有学习能力和容错特性并且无须就概率模型作出假定,适用于空间模式识别的各种问题的处理,因此神经网络技术日益成为遥感影像分类处理的有效手段。
本文在总结目前国内外研究现状基础上,采用BP神经网络算法、混合学习矢量量化神经网... |
| 【论文题纲】 |
|
摘要 |
5-7 |
|
Abstract |
7-11 |
|
插图或附表清单 |
11-13 |
|
1 绪论 |
13-17 |
|
1.1 课题研究背景 |
13-14 |
|
1.2 国内外研究现状 |
14-15 |
|
1.3 本文主要工作 |
15-17 |
|
2 模式分类 |
17-36 |
|
2.1 传统模式分类方法 |
19-22 |
|
2.2 模式分类的新方法 |
22-23 |
|
2.3 遥感影像模式分类过程 |
23-35 |
|
2.3.1 图像预处理 |
23-29 |
|
2.3.2 分类过程 |
29-33 |
|
2.3.3 分类后处理 |
33-35 |
|
2.4 本章小结 |
35-36 |
|
3 BP神经网络在遥感影像模式分类中的应用 |
36-46 |
|
3.1 引言 |
36-37 |
|
3.2 BP神经网络算法 |
37-38 |
|
3.3 基于BP神经网络的遥感影像分类模型 |
38-45 |
|
3.3.1 基于ERDAS Imagine的非监督分类方法 |
38-40 |
|
3.3.2 结合ERDAS的BP神经网络遥感影像分类系统 |
40-41 |
|
3.3.3 实验结果分析与比较 |
41-45 |
|
3.4 本章小结 |
45-46 |
|
4 混合学习矢量量化算法应用于遥感影像分类 |
46-56 |
|
4.1 引言 |
46 |
|
4.2 自组织特征映射网络算法及其改进 |
46-49 |
|
4.2.1 自组织特征映射算法(SOFM) |
46-48 |
|
4.2.2 改进的SOFM算法(MSOFM) |
48-49 |
|
4.3 学习矢量量化算法 |
49-50 |
|
4.3.1 LVQ算法及其改进算法 |
49-50 |
|
4.4 混合学习矢量量化算法 |
50-55 |
|
4.4.1 基于HLVQ的遥感影像分类模型 |
51-52 |
|
4.4.2 试验结果及分析 |
52-55 |
|
4.5 本章小结 |
55-56 |
|
5 广义LVQ算法在遥感影像分类中的应用 |
56-62 |
|
5.1 引言 |
56 |
|
5.2 LVQ算法主要缺点 |
56-57 |
|
5.3 基于广义LVQ算法的遥感影像分类 |
57-61 |
|
5.3.1 GLVQ算法分析 |
57-58 |
|
5.3.2 基于GLVQ算法的遥感影像分类模型 |
58-59 |
|
5.3.3 实验结果及分析 |
59-61 |
|
5.4 本章小结 |
61-62 |
|
6 结论 |
62-63 |
|
参考文献 |
63-67 |
|
在学研究成果 |
67-68 |
|
致谢 |
68 |
|
| 【DOI】 | LunWen.ID:2.2008.389288 |
