| 【中文题名】 | 基于神经网络的高光谱遥感图像分类研究 |
| 【英文题名】 | Research on the Hyperspectral Imagery Classification Based on the Neural Network |
| 【学科专业】 | 信号与信息处理 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-21 |
| 【中关键词】 | 高光谱图像分类,BP神经网络,RBF神经网络,决策融合,混合像元, |
| 【英关键词】 | hyperspectral imagery classification,BP neural network,RBF neural network,decision fusion,mixing pixel, |
| 【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】 |
光谱分辨率的提高是光学遥感不断发展的趋势。高光谱分辨率(简称为高光谱)遥感技术是过去二十年中人类在对地观测方面所取得的重大技术突破之一，是当前遥感的前沿技术。由于高光谱所特有的高光谱分辨率的性质，其潜在的可应用性受到人们的广泛关注。
高光谱图像分类的研究是高光谱遥感应用的主要内容之一。人工神经网络模型是近年来发展起来的综合数据分类方法之一。神经网络高光谱模式分类方法有以下优点：1)不要求同类地物在特征空间满足正态分布，无需对原始类别做概率分布假设，不存在求解概率分布参数的问题，是一种无参分类器：2)可以将多种数据，如纹理信息、地形信息和光谱信息等方便而有效地融合到分类中来。
由于神经网络具有以上的优点，研究基于神经网络的高光谱遥感图像分类方法是十分有必要的。本论文的目的就是对常见的神经网络如BP(误差反向传播)神经网络、RBF(径向基函数)神经网络的结构、训练算法进行研究，并结合其它的理论知识，寻找有效的高光谱遥感图像分类方法。论文主要完成以下工作：
1．基于误差梯度下降的标准BP算法对大多数的实际应用而言都太慢了，针对这些不足，人们已经提出了许多改进标准BP算法的方案。论文... |
| 【论文题纲】 |
|
摘要 |
5-7 |
|
Abstract |
7-13 |
|
第1章 绪论 |
13-29 |
|
1.1 高光谱遥感的基本概念 |
13-14 |
|
1.2 高光谱遥感技术在国内外的发展现状 |
14-17 |
|
1.2.1 高光谱遥感技术在国外发展情况 |
14-16 |
|
1.2.2 高光谱遥感技术在国内发展情况 |
16-17 |
|
1.3 高光谱遥感图像分类算法 |
17-25 |
|
1.3.1 直接在高光谱原始数据上的分类 |
18-20 |
|
1.3.2 降维后利用传统方法的分类 |
20-24 |
|
1.3.3 神经网络高光谱遥感图像分类技术 |
24-25 |
|
1.4 课题的目的和意义 |
25-26 |
|
1.5 课题来源与研究内容 |
26-29 |
|
1.5.1 课题来源 |
26-27 |
|
1.5.2 论文的主要研究内容 |
27-29 |
|
第2章 几种改进的BP算法在高光谱图像分类中的性能比较研究 |
29-39 |
|
2.1 引言 |
29 |
|
2.2 使用启发式信息技术的BP算法 |
29-32 |
|
2.2.1 学习速率可变的BP算法 |
29-31 |
|
2.2.2 加入动量项的BP算法 |
31-32 |
|
2.3 加入数值优化技术的BP算法 |
32-34 |
|
2.3.1 牛顿法 |
32 |
|
2.3.2 共轭梯度法 |
32-33 |
|
2.3.3 Levenberg-Marquardt算法 |
33-34 |
|
2.4 几种改进的BP算法在高光谱图像分类中的性能比较 |
34-36 |
|
2.5 选择性能最好的BP算法对高光谱图像进行分类实验 |
36-38 |
|
2.6 本章小结 |
38-39 |
|
第3章 一种基于BP网络和决策融合的高光谱图像分类方法 |
39-45 |
|
3.1 引言 |
39 |
|
3.2 问题的提出和解决方法 |
39-40 |
|
3.3 决策融合理论 |
40-41 |
|
3.3.1 决策融合中的意见一致性理论 |
40-41 |
|
3.3.2 BP神经网络和意见一致性理论相结合 |
41 |
|
3.4 实例分析 |
41-44 |
|
3.5 本章小结 |
44-45 |
|
第4章 基于RBF神经网络的高光谱图像分类研究 |
45-52 |
|
4.1 引言 |
45 |
|
4.2 RBF神经网络简介 |
45-46 |
|
4.3 RBF神经网络结构参数设计 |
46-49 |
|
4.3.1 隐层节点数目及基函数中心位置的确定 |
46-48 |
|
4.3.2 基函数宽度的确定 |
48 |
|
4.3.3 隐层到输出层的权值及输出节点阈值的确定 |
48-49 |
|
4.4 实例分析 |
49-51 |
|
4.5 本章小结 |
51-52 |
|
第5章 基于目标分解神经网络的高光谱遥感图像分类方法研究 |
52-59 |
|
5.1 引言 |
52-53 |
|
5.2 目标分解 |
53-54 |
|
5.3 人工神经网络 |
54-55 |
|
5.4 “亚类”归并 |
55 |
|
5.5 实例分析 |
55-57 |
|
5.6 本章小结 |
57-59 |
|
第6章 基于RBF网络和方差纯化样本法的高光谱混合像元分解 |
59-66 |
|
6.1 引言 |
59 |
|
6.2 线性混合模型 |
59-60 |
|
6.3 基于线性混合模型的高光谱遥感图像端元提取 |
60-61 |
|
6.3.1 端元提取算法概述 |
60-61 |
|
6.3.2 方差纯化样本法提取端元 |
61 |
|
6.4 构造训练样本、设计RBF神经网络 |
61-62 |
|
6.4.1 训练样本的构造 |
62 |
|
6.4.2 设计RBF神经网络 |
62 |
|
6.5 实验结果及分析 |
62-65 |
|
6.5.1 数据说明 |
63 |
|
6.5.2 结果及分析 |
63-65 |
|
6.6 本章小结 |
65-66 |
|
结论 |
66-67 |
|
参考文献 |
67-74 |
|
攻读硕士学位期间发表的论文和取得的科研成果 |
74-75 |
|
致谢 |
75 |
|
| 【DOI】 | LunWen.ID:2.2008.389458 |
