基于粒子群优化的模糊特征自适应选择方法

模糊特征的选择影响着模糊分类的结果。从大量模糊特征中选择出有效特征进行分类,存在着一定的难度。粒子群优化算法(PSO)是基于群体智能的新型进化计算技术,具有自适应、自组织等智能特性,具有强大的寻找最优解的能力。将离散二进制PSO用于模糊特征选择,实现了基于PSO的模糊特征自适应选择方法,并通过航空和卫星遥感影像的模糊分类实验,验证了此方法的有效性。     

粒子群优化算法在遥感影像增强中的应用

遥感影像的复杂性给影像增强处理带来了困难.非完全Beta函数增强方法具有理想的增强效果,但是,其参数的合理选取是算法的关键与难点.粒子群优化算法(PSO)是基于鸟群群体智能的新型进化计算技术,具有自适应、自组织等智能特性,具有强大的寻找最优解的能力.这里将PSO用于Beta函数参数的自适应选取,实现了基于PSO的非完全Beta函数增强方法,并通过航空和卫星遥感影像的增强实验,验证了该方法的有效性.     

基于随机森林算法的高维模糊分类研究

高光谱数据的空间分辨率普遍偏低,混合像元分布广泛,故模糊分类方法常用于此类型数据的信息提取。针对模糊分类的精度常受限于特征维数和模糊样本选取等问题,提出了基于随机森林(random forest,RF)算法的高维模糊分类方法。首先将RF算法用于特征选择和模糊样本获取,然后在低维特征空间中利用模糊样本进行模糊分类,通过2步分类、遵循假设前提一致原则,实现RF和模糊分类2种分类器的融合;并通过不同样本、不同实验区和分区优化前后的3个实验(包括20余次对比实验、60多次子实验),验证了该方法不仅提高了模糊分类的精度,具有分类的有效性和可推广性,而且具有可优化性和对原始样本质量的鲁棒性。     

基于特征的模糊神经网络遥感图像目标分类识别

特征是图像处理中用于辨识目标的最基本属性.提出了利用模糊神经网络方法,针对舰船的几何特征、矩特征和纹理特征进行舰船目标识别处理.首先简单地描述了几何特征、矩特征尤其是Hu矩特征、一阶纹理特征和二阶纹理特征.然后分别对仿真数据、卫星观测数据中的舰船目标,以及自动检测处理获取的舰船目标的几何特征、Hu机特征和纹理特征进行了提取和分析.模糊神经网络方法可以综合模糊集理论和神经网络方法的优势,有效地实现基于特征的图像目标分类识别处理.文章首先描述了一种主从神经元结构的模糊神经网络分类识别方法,然后利用该方法对大型舰船进行分类识别,包括基于单类舰船特征的分类识别和基于多源(时相)数据融合的分类识别.实验结果表明,基于大型舰船的几何特征、矩特征和纹理特征,利用模糊神经网络方法可以实现对大型舰船目标的有效分类识别.通过多源数据融合处理,可以改善分类识别效果.     

粒子群优化算法在遥感影像增强中的应用

遥感影像的复杂性给影像增强处理带来了困难。非完全Beta函数增强方法具有理想的增强效果,但是,其参数的合理选取是算法的关键与难点。粒子群优化算法(PSO)是基于鸟群群体智能的新型进化计算技术,具有自适应、自组织等智能特性,具有强大的寻找最优解的能力。这里将PSO用于Beta函数参数的自适应选取,实现了基于PSO的非完全Beta函数增强方法,并通过航空和卫星遥感影像的增强实验,验证了该方法的有效性。     

一种基于自适应谐振理论的TM遥感影像神经网络分类器

提出了一种基于自适应谐振理论建立起来的自组织模糊ARTMAP神经网络分类器。分析了ART神经网络的结构和工作原理,给出模糊ARTMAP神经网络分类的具体算法,并将其运用到TM遥感影像分类的实验中。结果表明模糊ARTMAP神经网络分类器的速度快,精度高,比常用的BP网络具有更好的性能。     

自适应模糊聚类高分辨率遥感影像分类算法

为了实现高分辨率遥感影像分类数的自动确定,在传统模糊聚类算法的基础上引入分裂合并操作,提出自适应模糊聚类的高分辨率遥感影像分类算法。该算法提高分裂合并的准确性,并在每次分裂合并后利用模糊聚类分类算法优化其分割结果,而后将参数赋予相应阈值,以实现阈值的自适应确定。有效避免算法陷入局部极值,解决传统模糊聚类算法依赖初始聚类中心选择的问题。     

模糊分类在邛崃地区土地利用分类中的应用

随着模糊理论的发展,将模糊分类方法运用于遥感图像土地利用分类是一个很好的选择,本文以邛崃地区2002年的Landsat ETM＋遥感图像为研究对象,基于ENVI软件将模糊分类和最大似然法监督分类的结果与检验数据进行比较,结果表明在一个受各种因素影响并具有模糊性的土地分类问题上（遥感图像的林地、耕地、园地地类识别）,模糊分类较传统的遥感图像分类方法有更好的效果。     

基于模糊神经网络的模糊空间对象生成方法研究

随着对GIS中的空间对象模型和自然地理特征表达的研究深入,模糊空间对象被提出。针对模糊空间对象表达的特点,提出了一种基于模糊神经网络的模糊空间对象生成方法。该方法将模糊技术与神经网络相结合,利用神经网络的学习能力调整模糊隶属函数和模糊规则,使系统具备自适应的特性。实验表明,这种基于模糊神经网络的生成模糊空间对象的方法比传统方法大大的提高了成果的精度。     

自适应模糊规则分类方法及在TM土地覆盖分类中的应用研究

根据自组织网络和模糊逻辑推理,实现土地覆盖自适应模糊规则分类方法。该方法通过网络的节点和权值提取出模糊规则,调整网络中节点个数(即相应增加规则节点数)和权值向量,使模糊规则自动生成,并利用模糊逻辑推理,完成TM土地覆盖分类。对拒分类的像元,自适应增加K值使其可分。该方法所得分类精度及Kapp系数与最大似然分类方法结果相比分别提高了2.7%和2.9%;与自组织网络相比,总精度相差不大,而Kapp系数低1%。实验证明,如何提取和表示非光谱知识,从而解决类别混淆等问题,是提高自适应模糊规则分类性能的关键