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。     

用模糊ARTMAP算法对CBERS-2数据进行分类

用模糊ARTMAP（fuzzy adaptive resonance theorymap）神经网络算法对CBERS-2数据进行了分类实践。首先介绍了模糊ARTMAP神经网络的算法原理和具体训练分类过程；然后用2004年9月新疆石河子地区的影像数据进行土地利用分类试验，并将分类结果与基于统计的最大似然法（MLC）、反向传播神经网络（BP）的分类结果作比较，总分类精度比MLC和BP算法分别提高9．9％和4．6％。结果表明，模糊ARTMAP对试验区CBERS-2影像上的裸地识别能力很强，对高分辨率的CBERS-2影像可获得很好的分类结果。     

简化模糊H-ARTMAP神经网络在高光谱遥感分类中的应用

人工神经网络作为一种不需估计类别分布参数的遥感影像分类方法,能够克服分类中的不确定性,提高分类精度。模糊ARTMAP人工神经网络具有稳定、泛化性能好、支持增量式学习等特点,通过对简化模糊AR-TMAP神经网络和H-ARTMAP神经网络的分析和集成,构造了一种用于高光谱遥感影像分类的简化模糊H-ART-MAP网络。实验证明该方法在分类效率、运算时间和分类精度等方面都优于最大似然分类、BP神经网络、最小距离分类、光谱角制图模型等分类方法。     

基于BP人工神经网络的遥感影像分类

重点讨论了遥感图像分类处理过程中应用效果显著的BP神经网络方法,并在Matlab软件平台下对基于BP神经网络的分类算法进行了研究,最后将它的分类结果与ERDAS软件平台下的监督分类结果进行分类精度评定比较分析。结果表明,基于BP神经网络的遥感图像分类总精度比ERDAS软件平台下的监督分类的总精度高,是一种有效的遥感影像分类方法。     

利用一种模糊神经网络对遥感影像进行分类的研究

结合遥感影像的特点,提出一种模糊逻辑系统和神经网络中的BP算法相结合的模糊神经网络,利用其进行整个遥感图像的分类,并和典型的BP神经网络进行对比,发现其优点以及存在的问题。     

基于PCA-BPNN的多光谱遥感影像分类

基于BP算法的神经网络方法目前已广泛运用于遥感影像分类,提出一种主成分分析(PCA)与BP神经网络相结合的遥感影像分类方法——PCA-BPNN,实验证明该方法是可行并且有效的,在减少计算量和加快收敛的同时,提高了分类的精度。     

基于BP神经网络的遥感影像分类研究

BP神经网络具有收敛速度快和自学习、自适应功能强的特点,能最大限度地利用样本集的先验知识,自动提取合理的模型。本文采用Landsat TM遥感图像作为数据源,以山西省定襄县为研究区,通过主成分分析方法来压缩输入数据,并结合NDVI和纹理特征来建立BP神经网络的土地利用分类模型,将分类结果与基于光谱单元信息的神经网络分类和基于纹理特征的神经网络分类结果进行定性和定量比较分析。结果表明:该方法总精度达到了80.50%,分别比基于光谱单元信息的神经网络分类和基于纹理特征的神经网络分类提高了18.89%和6.23%,能够有效地解决地物光谱混淆、分类精度不高等问题。     

BP神经网络的道路场景杆状地物自动分类

针对车载激光扫描数据中杆状地物分类精度不高、自动化程度低的问题，本文提出一种基于BP神经网络的分类方法。首先根据杆状地物点云特征选取10个特征值，获取杆状地物聚类单元的特征向量，构建特征矩阵；然后使用样本集训练BP神经网络模型并保存该分类模型；最后使用BP神经网络分类模型对试验区内的杆状地物进行分类。试验结果表明，该方法对杆状地物的分类精度可达95.34%，验证了文中所述方法对杆状地物分类的有效性。     

基于GIS和神经网络的森林植被分类

本文综述了国际遥感分类研究,使用Landsat7 ETM＋遥感数据和地理辅助数据,应用BP神经网络方法,将莽汉山林场作为研究区进行了遥感影像的分类研究。比较了BP神经网络分类与最大似然、简单和复杂非监督分类法之间的类型与数量精度。BP神经网络分类的总类型精度是70.5%,总数量精度为84.65%,KAPPA系数是0.6455。结果说明BP神经网络的分类质量优于其他方法,其总的类型精度与其他三种分类方法相比分别增加了10.5%、32%和33%,总的质量精度增加了5.3%。因此,辅以地理参考数据的BP神经网络分类可以作为一种有效的分类方法。     

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.     

基于模糊小脑模型神经网络的遥感图像分类算法

针对遥感图像分类的特点，提出一种基于模糊小脑模型神经网络的遥感图像分类算法，首先阐述小脑模型神经网络的工作原理，然后将模糊理论引入小脑模型神经网络，提出一种能反映人脑认知的模糊性和连续性的模糊小脑模型神经网络，并将其应用于遥感图像分类，实验结果表明，这种基于模糊小脑模型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。     

基于改进的像素级和对象级的遥感影像合成分类

像素级和对象级的分类研究分别作为两个独立的方向开展,二者的结合与优势互补还没有引起关注。本文对像素级和对象级分类方法的结合做出新的探索,提出了基于改进的像素级和对象级的遥感影像合成分类方法。首先,以一种改进的RBF神经网络分类器进行像素级分类、以一种基于改进模糊支持向量机和决策树的层次分类模型进行对象级分类,获得多层次分类结果。然后,提出了一个具体的像素级分类与对象级分类的合成算法,对多层次分类结果进行合成。实验表明,合成分类方法能有效地提高分类结果的精度,提供比单一像素级方法或对象级方法更准确的分类结果。     

一种适用于多类别遥感图象分类的新方法——复合神经网络分类方法

该文提出一种由多层神经网络与自组织神经网络相结合进行类别遥感图象分类的复合神经网络分类方法。第１步半训练样本按其统计特征分成若干组，用不同级别的训练样本分别训练ＢＰ网络。第２步将这些训练好的ＢＰ网络并联构成有监督分类器，对遥感图象进行有监督分类。第３步用ＢＰ网络的分类结果对Ｋｏｈｏｎｅｎ网络进行自组织训练，用训练好的Ｋｏｈｏｎｅｎ网络构造无监督分类器，对遥感图象进行细分。通过对ＳＰＯＴ遥感图象的分     

联合卷积神经网络与集成学习的遥感影像场景分类

针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。     

基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

多尺度SLIC-GMRF与FCNSVM联合的高分影像建筑物提取

遥感影像建筑物提取具有重要的应用价值。然而,高分辨率遥感影像中细节信息繁多、特征复杂,增加了建筑物提取难度。针对这一问题,本文提出一种基于多尺度SLIC-GMRF和FCNSVM的建筑物提取方法,一定程度上提高了高分辨率遥感影像建筑物提取能力。首先,利用多尺度SLIC-GMRF分割算法确定初始建筑物区域,然后,充分利用FCN神经网络在语义分割中的优势抽取建筑物特征,最后,结合提取出的建筑物特征训练SVM分类器细化建筑物提取结果,通过3种控制实验,两种对比方法得出以下结论:SLIC分割算法影响初始分割结果;SVM分类器影响建筑物细部提取;FCN特征影响SVM分类器性能。对于特征清晰、遮挡干扰较少的研究区,本文方法能够较好提取影像中的建筑物,查准率、查全率、质量指标均优于对比方法,对建筑物复杂分布的研究区同样能够取得较好的提取效果。     

遥感影像的全模糊监督分类

设计了一个基于神经元网络的全模糊训练、分类和精度评估方法,并成功地应用于一个城郊型土地覆盖分类。结果表明,该方法灵活、适应性强,并能取得较好的分类精度。     

一种新的基于Dempster-Shafer理论的自适应遥感分类融合方法

提出了一种基于Dempster-Shafer's理论和模糊Kohonen神经网络分类融合的方法。该方法融合了非监督神经网络模型和在Dempster-Shafer证据理论框架中使用邻域信息的思想,即当一个待识别模式的每个邻域被划分为支持识别框架中某一类的一个证据体时,该证据体支持关于该模式隶属关系的某一假设。     

FANN-Based Surface Water Quality Evaluation Model and Its Application in the Shaoguan Area

A fuzzy neural network model is proposed to evaluate water quality. The model contains two parts: first, fuzzy mathematics theory is used to standardize the samples; second, the RBF neural network and ...