人工神经网络在遥感图像分类中的应用研究与开发-遥感技术-论文之家

您现在的位置：硕士论文 >> 电子论文 >> 自动化 >> 遥感技术 >> 正文

人工神经网络在遥感图像分类中的应用研究与开发

Form: 论文之家作者：马少平 Publish: 2006-7-5 Hits:-

【中文题名】

人工神经网络在遥感图像分类中的应用研究与开发

【英文题名】

Application Research and Develop on Remote Sensing Image Classification Based on Artificial Neural Network

【学科专业】

地球探测与信息技术

【论文级别】

硕士论文

【投稿时间】

2006-7-5

【中关键词】

遥感图像分类,人工神经网络,反向传播神经网络,IDLENVI,,

【英关键词】

remote sensing image classification,artificial neural network,back propagation（BP） model,IDL/ENVI,

【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>图像处理方法>

【论文摘要】

遥感图像分类一直是遥感研究领域的重要内容,如何解决多类别图像的识别并满足一定的精度,是遥感图像研究中的一个关键问题,具有十分重要的意义。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,因此神经网络技术正在被越来越普遍的应用于遥感图像分类的研究。在神经网络的不同算法中,应用和研究最多的是反向传播人工神经网络模型(简称BP网络模型)。本次研究将反向传播神经网络方法用于遥感图像分类,在对BP算法分析的基础上,为了增加BP神经网络收敛的可能性,提高收敛的速度,本次研究设置动态学习率,动态Sigmoid函数的K值和增加动量项等有实践意义的方法,但是本文没有局限在算法的研究上,而是利用Visual Basic开发了相应的软件,同时有开创性利用IDL/ENVI开发了相应的ENVI插件程序,在用IDL对ENVI功能拓展的二次开发上探索了一条有实践意义的途径。以北京市首都机场附近地区遥感图像为例,通过对最大似然分类法和基于BP神经网络的分类方法进行比较,可以发现:基于BP神经网络的分类方法可以很好的区分一些在最大似然分类法中难以...

【论文题纲】

第一章引言	11-23
1.1 课题背景和选题依据	11-12
1.2 国内外研究历史和现状	12-15
1.2.1 目视解译分类方法	12-13
1.2.2 计算机自动分类的统计识别方法	13-14
1.2.3 当前的商业应用	14-15
1.3 研究问题的提出以及本次所做的工作	15-23
1.3.1 研究问题的提出	15-17
1.3.2 技术路线	17-19
1.3.3 本次研究所做的工作	19-23
第二章遥感图像的分类	23-42
2.1 遥感图像分类的基本原理	23-24
2.2 非监督分类	24-26
2.3 监督分类	26-39
2.3.1 监督分类的主要步骤	26-27
2.3.2 图像预处理	27
2.3.3 特征提取与选择	27-31
2.3.4 训练样本的选取	31-33
2.3.4.1 感兴趣区选择	31-32
2.3.4.2 训练样本数据集合的评估	32-33
2.3.5 遥感图像监督分类方法	33-37
2.3.5.1 最大似然法	33-37
2.3.5.2 人工神经网络方法	37
2.3.6 误差与精度评价	37-39
2.4 混合像元分解	39-42
第三章人工神经网络分类	42-71
3.1 神经网络概述	42-46
3.1.1 生物学的启示	42-43
3.1.2 神经网络模式分类原理	43-46
3.2 反向传播算法(BP 算法)	46-49
3.2.1 训练过程概述	46-47
3.2.2 基本 BP 算法	47-48
3.2.3 BP 模型的不足	48-49
3.3 BP 算法的改进	49-51
3.3.1 动量方法	50
3.3.2 学习速率η的自适应性动态调整	50
3.3.3 网络结构设置	50-51
3.4 神经网络分类的软件设计	51-58
3.4.1 系统需求分析	51-52
3.4.1.1 当前系统的运行状况	51
3.4.1.2 系统的目标和任务	51-52
3.4.1.3 系统功能概述	52
3.4.1.4 用户特点	52
3.4.2 系统设计	52-55
3.4.2.1 基本设计思想	52
3.4.2.2 系统设计流程图	52-54
3.4.2.3 各部分设计	54-55
3.4.3 系统开发与实施	55-58
3.4.4 系统评估与维护	58
3.5 神经网络分类的ENVI 插件程序开发	58-71
3.5.1 IDL/ENVI 介绍	58-59
3.5.2 ENVI 下程序开发的特点	59-60
3.5.3 插件程序开发的流程	60-65
3.5.4 开发成果与应用	65-71
第四章遥感地物分类实验	71-97
4.1 研究区概述及技术流程	71-73
4.2 遥感图像特征分析	73-77
4.2.1 传感器波段特性分析	74
4.2.2 遥感图像统计特征分析	74-77
4.3 遥感图像特征提取和选择	77-83
4.3.1 最佳波段组合研究以及程序设计	77-81
4.3.2 主成分分析	81-82
4.3.3 最小噪音分离	82-83
4.4 训练区的选择	83-88
4.4.1 待分类别的确定	83-84
4.4.2 各待分类别的训练区提取	84-88
4.4.2.1 提取流程图	84
4.4.2.2 纯净像元指数(PPI)	84-86
4.4.2.3 训练区提取结果	86-88
4.4.2.4 训练样本的可分性检验	88
4.5 分类以及精度评价	88-93
4.5.1 神经网络的结构设计	88-89
4.5.2 分类结果图	89-92
4.5.3 精度评价	92-93
4.6 混合像元分解的神经网络方法	93-97
第五章结论与展望	97-99
5.1 结论	97-98
5.2 展望	98-99
参考文献	99-102
致谢	102

【DOI】

LunWen.ID:2.2008.389371



付费论文：有参考文献 300元

1、注册会员 2、购买本文 3、下载文章
注:此文为收费论文，需付费购买。每页大约1000字。

代写论文流程

载入中…

Web lunwenjia


热门搜索：遥感图像分类论文人工神经网络反向传播神经网络 IDLENVI

遥感技术最新论文

遥感技术热门论文