基于BP神经网络的高分辨率遥感影像分类

为了能有效地从高分辨率遥感影像中提取地物信息,本文通过影像的光谱和纹理特征,利用BP神经网络算法进行影像分类研究。首先提取分类所需的光谱和纹理特征源,然后根据影像和地物特征,建立BP神经网络,用于样本训练和分类处理,实现地物分类。为验证该方法的可靠性,以2006年11月获取的成都平原某区域的Quickbird影像为实验数据,进行高分辨率遥感影像的地物分类实验。实验结果表明,结合影像光谱和纹理特征的BP神经网络分类算法,不仅可以有效保证BP神经网络分类训练的稳定性和收敛速度,还能达到较高的分类精度。     

利用遗传算法优化神经网络实现混合像元组分参数的反演

采用热红外多波段遥感数据反演陆面温度(LST),由于波段间信息高度相关,以及难以直接反演混合像元组分温度,使得LST的反演精度和应用价值都受到很大的限制.在建立非同温混合像元热辐射方向性模型基础上指出,热红外多角度遥感提供了反演组分温度的可能性,但是,由于该模型是采用蒙特卡洛方法模拟而建立起来的数值概念模型,采用一般反演方法很难同时提取所有参数信息.为了有效获取各参数信息,使用神经网络模型.由于待反演参数中,组分温度、土壤比辐射率和叶面积指数(LAI)都是多角度辐射亮度的非线性函数,然而,使用经典的误差后传(BP)算法容易陷入局部最优解区域;虽然遗传算法(GA)可以搜索到全局最优解,但在微机上实现算法速度太慢,因此,采用GA训练神经网络,得到网络权重,然后再以GA训练得到的权重作为BP算法的初始权重,继续训练神经网络,直到获得满意结果.这样既可以发挥BP算法快速寻优的特点,又能得到网络权重的最优组合.数值模拟的结果表明,基于非同温混合像元热辐射方向性模型,采用GA优化的神经网络模型反演多维参数效果比较理想.     

基于粒子群算法优化BP神经网络的地铁暗挖段地表变形预测

在使用传统BP神经网络算法建模进行预测过程中,由于初始权值和阈值是随机给定的,易使网络陷入局部最优,从而导致预测精度较低。利用具有较强优化能力的粒子群算法（ particle swarm optimization ,PSO）优化BP神经网络在训练过程中的初始权值和阈值,建立新的预测模型,以青岛地铁3号线保河区间隧道监测数据为例进行验证分析,研究结果表明,与传统BP神经网络预测算法相比,使用PSO算法优化的BP神经网络预测算法可以得到更优的预测结果。     

利用雷达干涉数据进行城市不透水层百分比估算

人工不透水层是城市地区的重要特征.作为城市生态环境的关键指数,不透水层百分比(Impervious Surfaces Percentage, ISP)常用于城市水文过程模拟、水质面源污染及城市专题制图等研究中.本文利用ERS-1/2 重复轨道雷达干涉数据,采用分类与回归树(CART)算法探究了雷达遥感在城市ISP估算中的可行性和潜力,并与SPOT5 HRG光学遥感图像的估算结果进行了分析比较.香港九龙港岛实验区的初步研究结果表明,雷达干涉数据在城市不透水层研究中具有一定的应用潜力,特别是裸土和稀疏植被的ISP估算结果要好于光学遥感,这主要得益于雷达干涉数据(特别是长时间相干图像)在人工建筑物和裸土或稀疏植被之间具有很强的区分能力,另外,雷达干涉数据和光学遥感数据间的融合能够提高ISP估算精度.     

优化BP神经网络的多特征融合遥感影像分类方法

针对BP神经网络在遥感影像分类中存在易陷入局部极值和单一影像特征缺乏有效地物判别信息的问题,该文提出了一种遗传算法(GA)结合指数粒子群算法(ExpPSO)优化BP神经网络的多特征融合遥感影像分类方法(GA-ExpPSO-BP).该方法将设计的基于指数函数的ExpPSO与GA结合构建GA-ExpPSO算法,利用GA-ExpPSO算法对BP神经网络的权阈值进行初始寻优从而构建GA-ExpPSO-BP模型.以高分二号、资源三号遥感影像为实验数据,通过制作多特征融合数据集训练及实验验证.结果 表明:该方法的类别精度、总体精度和Kappa系数均最高,且训练耗时和误差最小,能有效改善影像的分类效果,提高分类效率和精度.     

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。     

基于栈式稀疏自编码的农村建筑物提取方法

提出一种基于栈式稀疏自编码神经网络的遥感影像农村建筑提取方法.该方法首先借助PCA白化预处理来降低数据的冗余度,然后使用无标签影像数据对栈式稀疏自编码神经网络进行训练提取特征,最后利用提取到的特征和标签数据来训练Softmax特征分类器,实现对建筑物的准确提取.实验结果表明,与传统BP神经网络相比,算法的统计结果中召回...     

基于高分辨率遥感影像的城市不透水层提取研究进展浅析

不透水层是城市生态环境评价的主要元素和城市化的一个重要指标。随着高分辨率影像的大量获取和广泛使用,采用高分辨率遥感影像提取不透水层引起了广泛的关注。本文介绍了不透水层提取的研究情况,分析了高分辨率遥感影像提取不透水层的优势、存在的问题及研究进展,重点阐述了提取中的几个主要难点,包括不透水层光谱差异性大、光谱混淆、阴影及遮挡问题突出等,并分别针对这些难点对当前的研究进展进行了总结,最后对基于高分辨率影像的不透水层提取研究趋势进行了相应分析。     

利用深度卷积循环神经网络的高光谱影像空谱特征分类方法

针对高光谱影像分类问题,提出了基于深度卷积循环神经网络的高光谱影像空谱特征分类方法.首先将高光谱数据立方体看作一组特征序列;然后利用深度卷积循环神经网络构建特征序列的依赖关系,并采用"预训练+微调"的训练策略对深层网络模型进行训练,从而使得所设计的深层网络在训练样本较少的情况下也能得到更加充分的优化.在Pavia大学和Indian Pines数据集上的试验结果表明,构建的深度卷积循环神经网络的分类精度比RNN方法分别提升了9.49％和5.8％.     

增强形态学建筑物指数应用于高分辨率影像中建筑物提取

分辨影像是城市地物覆盖分析的重要数据基础,本文提出了一种增强的形态学建筑物指数（EMBI）,利用该指数和地物的几何形状约束来完成高分辨率建筑物的自动提取。本方法首先提取城市的不透水层特征,然后通过建立建筑物属性与形态学运算之间的关系得到了EMBI特征图像以增强对建筑物的描述,随后结合形状特征（长宽比,面积等）采用决策树分析的方法完成对建筑物的最终提取。为了验证本文提出的方法,利用华盛顿商业街的航空高分辨高光谱HYDICE影像和武汉洪山区的两幅QuickBird影像进行实验,实验的精度对比反映本文算法比MBI算法能获得更好的建筑物提取结果,其总体精度分别提高了7.31％,6.48％,7.83％,从而表明EMBI算法更可靠。     

神经网络优化5G定位结果域的分析与评估

针对室内环境下的5G定位需求,提出了利用神经网络算法对粗略定位结果进行优化的方法,减小了多径、非视距传播造成的定位误差,改善了结果域的定位精度.优化算法利用测距定位中的到达时间(TOA)定位法和到达时间差(TDOA)定位法获得粗略定位结果,分别结合BP神经网络、Elman神经网络及通过遗传算法(GA)优化后的GA-BP神经网络、GA-Elman神经网络共利用4种神经网络进行训练,得到修正后的精确定位结果,并对4种神经网络算法进行了分析与评估. Elman算法相较于BP算法具有迭代收敛快、迭代次数少、误差改正好的特点,更适合5G定位结果域的优化;融入GA后结果精度均有所提高,其中GA-Elman算法能够训练得到最好的定位结果.     

基于自适应遗传算法和改进BP算法的遥感影像分类

介绍了采用自适应遗传算法和改进BP算法相结合的混合算法来训练BP网络的方法，即先用自适应遗传算法进行全局训练，再用改进BP算法进行精确训练，以达到加快网络收敛速度和避免陷入局部极小值的目的。结果表明，该算法收敛速度快，分类精度较高。     

顾及不确定因素的GA-BP神经网络在路基沉降预测中的应用

BP神经网络初始权值和阈值输入不同,将导致BP神经网络预测不稳定,精度也不是很高.通过遗传算法（GA）对BP神经网络的初始权值和阈值进行优化,能很大程度上提高预测的精度,但是,由于输入层不可能将影响输出的所有因素都包含在内,而这些没有考虑到的因素势必影响预测结果.文中将这些无法得知的不确定因素当做一个综合影响因素,定义为X因素,在建立模型时加以考虑.实验结果表明,这种顾及不确定因素的GA-BP神经网络模型能进一步提高预测精度.     

基于GASA混合策略的BP网络在基准地价测算中的应用

结合遗传算法的并行搜索结构和模拟退火的概率突跳特性 ,提出了一种用于BP网络权值学习的GASA混合策略。以江西省赣县县城商业用地为例 ,应用基于GASA混合策略的BP网络对其基准地价进行了测算 ,并与回归模型方法作了比较。结果表明 ,混合策略能有效地避免BP算法陷入局部极小和网络单目标学习易产生的过拟合现象。将神经网络用于基准地价的测算 ,精度优于常规的回归模型方法。     

基于改进麻雀搜索算法优化BP神经网络的PM_(2.5)浓度预测北大核心CSCD

针对传统BP神经网络模型收敛速度慢、易陷入局部极值等问题,本文采用分段线性混沌映射(PWLCM)和萤火虫算法(FA)改进麻雀搜索算法(SSA),并优化BP神经网络模型初始权值和阈值,对西安市PM_(2.5)浓度进行预测。通过比较不同模型预测结果的评价指标,并与性能较优的SSA-BP模型对比,ISSA-BP模型预测结果的RMSE、MAPE、MAE分别下降了3.70、3.73、3.34。试验结果表明,改进后的麻雀搜索算法具有高效的全局最优搜索能力,优化后的ISSA-BP神经网络预测稳定性高,精度优于BP、SSA-BP神经网络模型,可用于预测PM_(2.5)浓度。     

基于遗传算法的整周模糊度解算方法

在卡尔曼滤波的基础上,利用高斯变换降低各整周模糊度之间的相关性,然后利用遗传算法进行搜索,提出了自适应遗传算法,改进了搜索效果,仿真结果表明,自适应遗传算法有更快的搜索速度和更强的鲁棒性.     

用改进的BP网络进行图像边缘检测

由于噪声的干扰,常规的图像边缘检测方法往往效果不佳,因此提出了一种基于改进BP网络的边缘检测方法。在充分考虑边缘和噪声本质区别的基础上,构造具有较强抗噪能力的特征向量,然后用样本图像对四层BP网络采用改进BP算法进行训练。最后,将训练后的网络用于图像的边缘检测。实验证明这种方法是有效的。     

基于粒子群优化神经网络的概率积分法预计参数的确定

为有效确定概率积分法预计参数,提高预计值的精度。将粒子群优化(PSO)算法和BP神经网络进行融合,采用改进的混合粒子群优化算法优化神经网络的权值和阈值。在分析概率积分法参数与地质采矿条件之间关系的基础上,建立了基于PSO优化BP神经网络的概率积分法预计参数的优化选择模型。以我国典型的地表移动观测站资料为例,将计算结果与实际值进行了对比分析,并与文献[1]中改进BP算法进行了比较。结果表明,PSO-BP神经网络方法用于概率积分法预计参数的选取是可行的,收敛速度更快,计算精度更高。     

基于遗传算法局部方向梯度的古墓葬圆形土壤标志检测

中国新疆北部古墓葬目标在Google Earth上显示为两大类:一类是斑点型,另一类是圆环型,两类的边界都比较模糊。自动提取这些古墓葬目标比较困难,针对这一问题,提出了一种基于遗传算法局部方向梯度的圆形检测算法。该方法采用局部方向梯度,并且基于计算边缘方向梯度的主分量实现,因此该方法能适用各种边缘特征,遗传算法的加入能够提高在圆形不连贯、多圆相交等情况下圆形自动检测的鲁棒性。本文选取新疆北部作为试验区域,结果表明本文方法与传统的基于霍夫变换的圆形检测算法相比,能适应多特征的圆形边缘,而且不用设定自动检测中的阈值,更加智能化,自动化。     

基于遗传算法的多光谱影像非监督训练分类系统

本文将遗传算法（GA）应用于非监督训练,提高了遥感数据的分类精度。遗传竞争学习算法（GA-CL）综合了遗传算法和简单的竞争学习算法,可用于改进非监督训练的结果。遗传算法在典型样本聚类的过程中可以避免得到局部最优值。Jeffries-Matusita（J-M）距离法是通过统计测量两个训练类别之间的分离度,可用于评价这种算法。将此算法应用于TM数据的结果显示,遗传算法改进了简单的竞争学习算法,与其他非监督训练算法相比,其提供了K-均值,GA-K-均值和简单的竞争学习算法。