Fuzzy ARTMAP神经网络在土地覆盖分类中的应用研究

面对数量激增、包含信息日趋复杂的遥感影像，如何快速有效地自动分类已成为遥感领域亟待解决的问题。以TM影像为实例，探讨了Fuzzy ARTMAP神经网络在土地覆盖分类方面的应用。在总结Fuzzy ARTMAP网络警戒系数调整方法的基础上，提出了一种新的设置和调整警戒系数的方法。实验结果表明，这种新方法可以解决人为选择警戒系数效率低、难以取得合适数值的问题，并能提高网络的收敛速度和分类精度，结合本文所提算法的Fuzzy ARTMAP神经网络与最大似然法和传统Fuzzy ARTMAP网络相比较，训练时间缩短，分类精度有所提高。Fuzzy ARTMAP网络用于土地覆盖分类研究可以获得相对较好的分类结果。     

采用模糊ARTMAP神经网络的字符识别方法

本文研究了将模糊ＡＲＴＭＡＰ神经网用于字符识别方法。实验证明这种将模糊技术与神经网络相结合的混合系统具有较高的识别率和较快的识别速度，采用ＡＲＴＭＡＰ神经网络只需要较少的网络训练时间。     

RBF神经网络在遥感影像分类中的应用研究

用RBF神经网络进行遥感影像分类，在网络结构设计上使RBF层与输出层的节点数都等于所要分类的类别数。用Kohonen聚类算法确定RBF中心的时候，用训练样本的均值作为初始中心，并在RBF宽度进行求取的时候进行了改进，以避免内存溢出。所设计的RBF神经网络分类模型具有结构简单、算法简洁的优点。实验结果表明，该方法用于遥感影像分类取得了较高的分类精度，具有实际应用价值。     

基于Fuzzy ARTMAP神经网络的高分辨率图象土地覆盖分类及其评价

主要讨论了基于Fuzzy ARTMAP神经网络的高分辨率遥感图象土地覆盖分类方法及其实践．首先介绍了Fuzzy ARTMAP神经网络的原理，然后用SPOT XS图象试验数据进行土地覆盖分类．分类结果与传统的最大似然监督分类(MLC)、反馈式(Back Propagation，BP)神经网络的分类结果进行了比较．通过抽取500个样点对3种分类结果进行精度评价表明，Fuzzy ARTMAP神经网络相对其他两种方法，分类精度均有不同程度的改善，具有更好的分类结果，总分类精度比MLC和BP算法分别提高17．41％、7．32％．最后，对不同分类方法对于土地覆盖分类结果的影响进行了评价和分析．试验表明，Fuzzy ARTMAP神经网络用于高分辨图象土地覆盖分类研究可以获得相对较好的分类结果．     

具有自适应类警戒参数的模糊ARTMAP神经网络

提出了一种具有自适应类警戒参数的模糊ＡＲＴＭＡＰ神经网络,为不同的模糊ＡＲＴ的类族设置了不同的警戒测试参数,并在学习过程中进行适应调整。还提出了新的非交叠超方形以及非交叠的Ｎｅｓｔｅｄ超主形的建立与扩展学习规则。     

模糊神经网络高分辨率遥感影像监督分类

目的 针对高分辨率带来的像素类属不确定性增大及各类属间相关性增强引起的影像分类问题,提出一种模糊神经网络高分辨遥感影像监督分类方法。方法 提出的模型为包含输入层,隐含层（隶属函数层）及输出层的三层前向模糊神经网络,输入层用于接收来自训练样本的灰度值;隐含层每个神经元节点的模糊隶属函数为对各类别定义的高斯隶属函数模型,以实现对输入变量隶属程度的不确定表达;输出层的输入变量为隐含层各神经元节点输出变量的线性组合,激活函数为分段线性函数,该层实现输入变量隶属程度的相关性表达。以训练数据直方图作为期望输出,梯度下降法求解模型参数,最后按最大隶属度准则实现分类决策。结果 利用本文算法和经典算法对合成影像进行实验,本文方法总体精度达到0.931,相对于高斯隶属函数方法总体精度提高了5.3%,相对于最大似然法提高了4.2%,相对于FCM方法提高了5.9%,对真实WorldView-2全色影像的实验中文中方法分割精度也高于传统方法。结论 提出的模糊神经网络模型可以更加精确的拟合高分辨率遥感影像复杂的分布特征,有效处理高分辨率遥感影像的上述分类问题。     

LM-BP神经网络在遥感影像分类中的应用研究

有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。以江苏南京江宁区为试验区,复合最佳指数提取的波段组合光谱信息、灰度共生矩阵提取的纹理信息和地理辅助数据及其派生信息,运用LM-BP神经网络实现遥感影像分类,并将分类结果与标准BP网络和传统分类方法进行了比较。研究表明,将卫星数据与地理辅助数据结合,发展多源多维信息复合的LM-BP方法可以大大提高分类的精度,是提高遥感应用性的有效途径。     

改进的Fuzzy-Artmap网络在遥感图像分类中的应用

提出了一种新的神经网络RBF Fuzzy-Artmap网络,该网络由径向基(RBF)神经网络和Fuzzy-Artmap网络构成.因为在Fuzzy-Artmap网络结构中使用了RBF网络的学习方法,因此克服了RBF网络和Fuzzy-Artmap网络的缺点,具有在线增量学习的功能,且不受样本输入顺序的影响.将新型网络应用到遥感图像分类中,得到了满意的分类精度,是一种有效的图像分类方法.     

TM与SPOT影像融合算法比较研究

随着遥感技术的发展,获取遥感数据的手段越来越丰富,各种不同的传感器所获取的影像数据与日俱增,在同一地区形成了多时相、多分辨率的影像序列金字塔。如何综合各种类型的遥感影像信息,提高遥感数据的利用效益已成为遥感应用的瓶颈问题。多源遥感数据融合技术是解决这一问题的有效手段,即将同一地区不同类型的影像数据进行空间配,然后采用一定的算法将各种影像数据中所含的信息优势或互补性有机的结合起来,产生新影像的过程。以Landsat和SPOT数据为例进行了这方面的探讨。为了充分利用TM丰富的光谱信息和SPOT较高的空间分辨率,研究中引入了4种影像融合算法：加权融合、K－L变换、K－T变换、基于信息特征的融合。通过信息量和分类精度的比较,表明基于信息特 的融合效果较好。     

神经网络在高光谱图像分类中的应用

高光谱遥感图像作为一种新型的遥感图像,鉴于传统的遥感图像识别方法对这种图像的识别精度较低,该文采用BP神经网络方法对高光谱遥感图像进行识别和分类,并使用赤铁矿等六种矿石的光谱图像对神经网络进行洲练,得到很好的效果。     

神经网络在高光谱图像分类中的应用

高光谱遥感图像作为一种新型的遥感图像,鉴于传统的遥感图像识别方法对这种图像的识别精度较低,该文采用BP神经网络方法对高光谱遥感图像进行识别和分类,并使用赤铁矿等六种矿石的光谱图像对神经网络进行训练,得到很好的效果。     

基于自组织神经网络的遥感图像分类应用研究

在地形复杂地区,采用传统的遥感分类方法进行土地利用遥感分类很难获得理想的精度。针对遥感图像分类的特点,根据自组织竞争神经网络的生物学基础、基本结构和学习算法,利用Matlab平台构建自组织神经网络,对地形复杂区的ETM 遥感图像通过500次训练使网络收敛后,仿真输出分类图。结果表明,基于自组织神经网络的分类器经过训练后,可用于遥感图像的分类,其分类精度明显高于传统的最大似然法。     

基于改进型模糊ARTMAP网络的CBR遥感图像分类系统研究

针对难以及时地获取充足而准确的遥感样本、缺乏积累和管理遥感样本的有效手段是制约遥感图像分类技术发展的瓶颈问题。构建了基于改进型模糊ARTMAP网络的CBR(case-based reasoning范例推理)遥感图像分类系统。系统将改进型模糊ARTMAP网络作为范例的知识提取器和图像分类器,运用CBR求解策略实现遥感样本知识的合理储备、优化组合和重复利用。分别应用本文所建系统、最大似然法、BP网络和改进型模糊ARTMAP网络对向海自然保护区TM遥感图像进行分类操作,实验结果表明,本文建立的系统与其他分类方法相比,能够更好地提高遥感样本数据的利用效率和遥感图像的分类精度,而且一定程度上解决了在样本有限的条件下如何高效利用已有数据进行遥感图像分类的问题。     

一种基于模糊关联分类的遥感图像分类方法

遥感图像分类是遥感领域的研究热点之一.提出了一种基于自适应区间划分的模糊关联遥感图像分类方法(fuzzy associative remote sensing classification,FARSC).算法根据遥感图像分类的特点,利用模糊C均值聚类算法自适应地建立连续型属性模糊区间,使用新的剪枝策略对项集进行筛选从而避免生成无用规则,采用一种新的规则重要性度量方法对多模糊分类规则进行融合,从而有效地提高分类效率和精确度.在UCI数据和遥感图像上所作实验结果表明,算法具有较高的分类精度以及对样本数量变化的不敏感性,对于解决遥感图像分类问题,FARSC算法具有较高的实用性,是一种有效的遥感图像分类方法.     

TM图像多层神经网络自动识别分类

以利用TM图像自动识别金华市婆城区土地利用为例，介绍了多层神经网络遥感模式识别方法的概念、特点及其在TM图像自动识别分类中的应用，并与最大似然法分类结果进行了比较。通过研究认为，无论在分类速度、精度、还是总体效果上看，神经网络分类都优于最大似然法分类。     

基于模糊高斯基函数神经网络的遥感图像分类

针对遥感图像分类的特点,提出了一种基于模糊高斯基函数神经网络的遥感图像分类器。该分类器将模糊技术与神经网络相结合,采用神经网络来实现模糊推理,利用神经网络的学习能力来达到调整模糊隶属函数和模型规则的目的,从而使系统具备了自适应的特性,实验结果表明,这种基于模糊高斯基孙数神经网络的分类器经过训练后,可应用于遥感图像的分类,其分类精度明显高于传统的最大似然分类法。     

基于粗糙集约简的神经网络集成及其遥感图像分类应用

为降低集成特征选择方法的计算复杂性,提出了一种基于粗糙集约简的神经网络集成分类方法。该方法首先通过结合遗传算法求约简和重采样技术的动态约简技术,获得稳定的、泛化能力较强的属性约简集;然后,基于不同约简设计BP网络作为待集成的基分类器,并依据选择性集成思想,通过一定的搜索策略,找到具有最佳泛化性能的集成网络;最后通过多数投票法实现神经网络集成分类。该方法在某地区Landsat 7波段遥感图像的分类实验中得到了验证,由于通过粗糙集约简,过滤掉了大量分类性能欠佳的特征子集,和传统的集成特征选择方法相比,该方法时间开销少,计算复杂性低,具有满意的分类性能。