论文部分内容阅读
遥感影像分类是遥感信息处理的重要一环,而分类器的选择直接决定了分类精度。传统的基于统计分析的分类器存在较多错分、漏分的情况,已经不能满足当下高分辨率、高光谱遥感影像的分类要求,且通过改进统计分类算法来提高分类精度的收效不大,故人们迫切需要新型的分类器,以满足人们生产、生活中的需求。人工神经网络作为一种灵活、智能的新型分类器,以其良好的自学习、自组织、自适应能力,成为近年来遥感影像分类领域的热门研究内容。如何使人工神经网络更好的应用于遥感影像分类,在已有神经网络的研究成果上,用数学理论结合遥感影像分类实践,深入研究网络算法与性能,得到优化的人工神经网络,以提高遥感影像的分类精度,是人工神经网络的一个重要研究方向。现有的人工神经网络有百种之多,本文选择BP神经网络、小波神经网络(WNN)、模糊自适应共振神经网络(Fuzzy ARTMAP)三种最具代表性的神经网络作为研究对象,研究三种神经网络的结构、算法、训练过程。针对遥感影像分类中三种神经网络的表现,分别进行关键技术研究。从梯度类学习算法方面优化BP神经网络,得到自适应调整步长的FR共轭梯度法BP神经网络;从小波基函数、误差函数、编码方式三方面研究小波神经网络,得到优化的小波神经网络;从警戒线参数的选择方面讨论Fuzzy ARTMAP神经网络,得到根据遥感影像的地物特点选择最优警戒线参数的规则。利用涵盖高光谱、多光谱、高分、SAR的7套实验数据进行分类实验,结果证明:FR共轭梯度法BP神经网络与传统的最速下降法BP神经网络相比,收敛速度更快、分类精度更高;由DOG小波函数、NB熵误差函数、适度饱和编码组成的优化小波神经网络,比传统的小波神经网络泛化能力强、分类效果好;在Fuzzy ARTMAP神经网络分类中,当地物类别少、不同类别地物差异大时,警戒线参数ρ_a取小;当地物类别多、不同类别地物差异小时,ρ_a取大,从而得到粗细合适的分类,提高分类精度;Fuzzy ARTMAP神经网络的分类效果优于小波神经网络,小波神经网络的分类效果又优于BP神经网络。