概率神经网络与BP网络模型在遥感图像分类中的对比研究

通过分析概率神经网络(以下称PNN)的基本结构及其训练算法,建立了卫星图像分类的概率神经网络模型,并通过实例对比分析了概率神经网络与BP网络分类模型的分类效果。实验表明,PNN图像分类方法在分类精度上优于误差反向传播神经网络模型,且分类时间相当,是一种有效的图像分类方法。     

基于自适应UKF的BP神经网络及其在高程拟合中的应用

针对BP神经网络收敛速度慢、容易陷入局部极小值点和泛化能力差等问题,基于自适应Kalman滤波理论,提出一种自适应非线性滤波(UKF)训练BP神经网络的方法。该方法采用Kalman滤波框架,引入自适应因子,对神经网络的连接权进行训练,提高了神经网络的学习质量。高程异常拟合算例表明,基于自适应UKF的BP神经网络比标准BP神经网络收敛速度快,泛化能力强,从而证明了该方法是一种有效的连接权训练方法。     

BP神经网络在GPS导航中的应用

Kalman滤波常用于GPS动态数据的处理,由于系统存在的不确定性和非先验性,导致滤波产生较大的估计误差,甚至发散。介绍了BP神经网络算法及其非线性逼近能力,并基于BP神经网络的非线性逼近性能设计了BP神经网络进行GPS导航的新算法。实测数据计算结果表明该算法能够真实地反映载体运动轨迹,其导航解具有良好的精度和可靠性。     

小波-LSTM神经网络在地铁沿线沉降预测中的应用

为缓解城市交通压力,地铁工程的修建日益加快,但其施工、运营都会造成沿线地表沉降,为有效预防地表沉降引起的地质灾害。本文基于51景升轨Sentinel-1A卫星影像,应用差分干涉测量短基线集时序分析（SBAS-InSAR）技术获取青岛地铁三号线沿线地表形变信息,分析地铁沿线主要沉降区域的成因,并对沉降区域内的特征点使用小波分解、重构,对降噪后的形变时间序列进行了模拟和预测。发现了4个主要的沉降区域,其中青岛北站周边沉降最为严重,沉降速率为-10.42 mm/a。优化后的长短期记忆（LSTM）神经网络模型对形变时间进行预测,其精度比传统LSTM、多层前馈BP神经网络模型更优,证明该模型在城市地铁沿线的地质灾害预防中具有广泛应用价值。     

卷积神经网络在高分遥感影像分类中的应用

针对目前应用于高分辨率遥感影像分类的常用算法,其精度已无法满足大数据环境下的分类要求的问题,该文提出了卷积神经网络分类算法。卷积神经网络模型降低了因图像平移、比例缩放、倾斜或者共他形式的变形而引起的误差。在大数据环境下,采用卷积神经网络算法对高分辨率遥感影像进行分类,避免了特征提取和分类过程中数据重建的复杂度,提高了分类精度。通过实验比对分析,证明了卷积神经网络在高分辨率遥感影像分类中的可行性及精度优势,对遥感图像处理领域等相关工作提供了参考价值。     

基于小波分析的神经网络在遥感测温数据拟合中的应用

将小波母函数嵌入人工神经网络的神经元,形成紧致型小波神经网络,该网络用于遥感测温的数据拟合中,可提升纯粹的BP神经网络的拟合精度。本文结合红沿河核电站无人机红外测温试验,对其采集的一组温度数据采用小波神经网络进行拟合。对实验数据进行了统计分析,结果表明:小波神经网络能保证拟合误差在很小的范围之内,并且优于BP神经网络。     

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。     

深度学习在高分辨率遥感影像冬油菜提取中的应用

近年来,深度学习在基于高分辨率遥感影像的农作物种植信息提取领域应用广泛。本文充分利用油菜在盛花期的光谱特征,提出了基于深度学习理论的单时相高分辨率遥感影像油菜分布提取方法。以2016年湖北省沙洋县作为研究区域,获取油菜盛花时期高分一号(GF-1)影像,并以沙洋县为基础影像,通过手工标记制作油菜训练样本。设计两种深度学习框架模型,一种以卷积神经网络(CNN)为框架,构建一维卷积神经网络(1D-CNN)模型,第二种以循环神经网络(RNN)为框架,组合门控循环单元(GRU)模型,训练标准样本模型,完成油菜分类提取。最后,与传统支持向量机(SVM)、随机森林(RF)方法进行了结果对比。试验结果表明,本文设计的基于深度学习CNN和RNN模型提取的冬油菜空间分布精度和面积精度皆优于其他两种方法,为进一步实现冬油菜提取自动化提供试验基础。     

自组织神经网络在遥感影像分类中的应用研究

竞争学习网络与Kohonen神经网络相比,由于不考虑邻域神经元,其网络结构相对简单。采用这种简化的网络结构,并对其学习算法进行改进,用最大、最小距离法设置的初始聚类中心来代替随机初始中心。实验结果表明,用改进的竞争学习网络对遥感影像进行非监督分类,在分类精度和效率上都有较大的提高。     

GIS技术在旅游业中的应用——兼谈旅游地理信息系统及其研究进展与展望

本文对地理信息系统的组成与功能做了简单的概述,在此基础上介绍了GIS在旅游业发展中的主要作用及应用现状,并就旅游地理信息系统的结构与功能及其研究进展和发展趋势做了探讨。     

径向基神经网络GPS高程转换方法

针对GPS高程转换问题,给出了基于径向基神经网络转换GPS高程的模型。用实际观测数据对该模型进行了试验,结果表明,用径向基神经网络转换GPS高程精度高于二次拟合法和BP神经网络法。径向基神经网络能够有效克服BP神经网络局部极小值的缺点,并且具有较高的收敛速度,在GPS高程转换方面具有广阔应用前景。     

遥感图像识别中粗糙集理论与神经网络的结合

由于传统神经网络与遥感图像信息量不相匹配 ,为此 ,提出将粗糙集理论集成至遥感图像神经网络识别中。首先分析了神经网络与粗糙集理论结合的可能性以及优势 ,在此基础上提出了基于粗糙集的遥感图像神经网络识别模型 ,并就其中的粗糙集方法处理样本特征集模块和遥感图像识别神经网络模块展开详细的分析。通过对比实验数据说明集成粗糙集理论的遥感图像神经网络识别能够有效提高遥感图像的识别效率 ,具有较强的现实意义     

基于卷积神经网络模型Faster R-CNN的遥感影像目标识别研究

目标识别是遥感高分辨率影像时代的重要应用方向.采用深度卷积神经网络对遥感影像学习训练,能够从遥感影像中自动提取出多个具有代表性的典型地物特征以及特征组合,并应用于多变而复杂的遥感影像数据中进行目标分类识别.本研究选用NWPU VHR-10数据应用于Faster R-CNN卷积神经网络模型中,并采用MAP进行评价,研究中...     

遥感影像输出中色彩管理的应用

基于Profile Maker软硬件工具建立打印机特性文件,结合Photoshop软件的色彩管理模块,对遥感影像成果输出进行色彩管理。分析表明,遥感影像输出过程中的色彩管理效果显著,有利于提高影像输出的质量和效率。     

人工神经网络在遥感中的应用与发展

介绍了国内外人工神经网络在遥感领域的应用现状,对神经网络的基本原理、技术优势、应用方法等进行了透视,并结合自己的研究实践,给出了具体的应用事例。     

PhotoScan在无人机遥感影像数据处理中的应用

PhotoScan是俄罗斯生产的一套用于摄影后处理软件,具有自动化、并行处理等特点。本文基于PhotoScan与无人机遥感影像进行测试,结合实际经验提出一种快速生产DOM的方法,可为相关部门生产提供一定的指导与技术支持。     

非下采样Shearlet变换与参数化对数图像处理相结合的遥感图像增强

针对部分遥感图像整体亮度偏暗、对比度较低的特点,为提高遥感图像的视觉效果和可解译性,提出了一种基于非下采样Shearlet变换(non-subsampled shearlet transform, NSST)和参数化对数图像处理(parameterized logarithmic image processing, PLIP)模型的遥感图像增强方法。首先,遥感图像经非下采样Shearlet变换分解成低频分量和高频分量;然后依据PLIP模型对其低频分量进行增强,提高图像的对比度;同时利用改进的模糊增强方法对高频分量进行增强,突显边缘细节信息。大量试验结果表明,与双向直方图均衡增强、基于平稳小波变换的增强、基于非下采样Contourlet变换的增强等5种图像增强方法相比,本文提出的方法在主观视觉效果和对比度、清晰度等客观定量评价指标两个方面均有优势,能更有效地提高遥感图像的对比度、增强边缘纹理细节信息,视觉效果更佳。     

视觉皮层振荡神经网络在遥感影像分割中的应用

对于具有复杂场景的遥感影像,提出了基于各向异性扩散特征保持平滑的简化LEGION算法,弥补传统LEGION图像分割算法对噪声敏感的不足。对于多(高)光谱影像,则采用马氏距离计算光谱向量间的连接权得到扩展LEGION算法进行分割。实验结果表明,LEGION算法较传统的图像分割方法对单波段灰度遥感影像目标及其重要细节部分的分割效果更显著;扩展LEGION算法适用于多光谱遥感影像分割。     

IPS在无人机遥感影像处理中的应用

介绍了IPS在无人机遥感影像处理中的流程及软件的特点和优势,实例验证,该软件能够快速处理海量无人机遥感数据,为无人机遥感影像数据处理市场提供了一种实用的有效解决方案。     

加权变异粒子群BP神经网络在遥感影像分类中的应用

在经典的BP神经网络框架支撑下,利用加权变异粒子群算法使神经网络的训练更加科学,同时也更好地发挥了粒子群算法的优点,使其分类效果更加精准。实验后的分类结果表明,与改进之前的BP神经网络相比,总体精度和Kappa系数分别提高了0.108 3和0.138 3;与支持向量机、最大似然及最小距离等分类方法进行了对比,分类效果均优于以上方法。加权变异粒子群BP神经网络不仅可以实现遥感影像的高精度分类,对解决"同谱异物"和"异物同谱"现象也具有一定的作用。