高光谱影像特征提取序贯投影寻踪方法

高光谱影像特征提取涉及高维数据处理难题,必须寻求一种高效的数据处理方法,实现高维数据的降维处理.为提高数据处理效率,应用投影寻踪理论和算法,提出了一种改进的序贯投影寻踪方法,用于高光谱影像特征提取.重点给出了序贯投影寻踪的实现过程,并利用高光谱数据进行了地物分类试验.结果表明,改进的序贯投影寻踪方法可以在保证分类精度的前提下,大幅提高数据处理效率.     

高光谱影像特征提取序贯投影寻踪方法

高光谱影像特征提取涉及高维数据处理难题,必须寻求一种高效的数据处理方法,实现高维数据的降维处理。为提高数据处理效率,应用投影寻踪理论和算法,提出了一种改进的序贯投影寻踪方法,用于高光谱影像特征提取。重点给出了序贯投影寻踪的实现过程,并利用高光谱数据进行了地物分类试验。结果表明,改进的序贯投影寻踪方法可以在保证分类精度的前提下,大幅提高数据处理效率。     

人工神经网络遥感影像分类模型及其与知识集成方法研究

以多层感知器（MLP）为例，探讨了地学知识与ANN融合进行遥感影像分类的方法。首先对MLP网络结构、学习算法及其改进进行分析；然后总结了MLP进行遥感影像分类的一般方法和存在的缺陷；发展了基于知识的MLP神经网络遥感影像分类模型，并具体利用基于规则的MLP方法进行了遥感土地覆盖分类的实验，把获得的结果与传统统计方法与一般ANN方法进行了综合比较，获得了有意义的结果。     

Kohonen神经网络在遥感影像分类中的应用研究

根据Kohonen网的生物学基础 ,基本结构和学习算法 ,提出了解决遥感影像分类的途径。依据实验区土地利用类别的光谱特征 ,采用主成分分析对遥感影像进行预处理 ,结合地理辅助数据的量化输入训练出Kohonen自组织图后对融合有地理辅助数据的影像进行土地利用分类 ,并与BP网和最大似然法分类结果进行分析比较。结果表明 ,地理辅助数据的参与对提高Kohonen网影像分类精度具有意义     

遥感影像分类的归类学习方法

遥感影像分类专家系统是遥感分类研究中的一个重要发展方向,然而,传统的统计模式识别法和人工神经网络分类法除了能完成具体的影像分类外,不能提供易于被人类理解的分类知识,文中介绍一种基于扩张矩阵的示例学习方法,并将其应用于遥感影像分类知识的自动获取。     

基于逐次投影寻踪的高光谱影像降维方法研究

提出了一种新的逐次投影寻踪方法,对高光谱数据进行降维处理,采用定量化的指标,通过对高光谱数据的多次一维投影,逐步选取有效成分,构建新的低维正交空间.     

基于进化人工免疫网络的遥感影像分类算法

人工免疫网络是受免疫网络理论的启发建立的用于数据处理的一种人工免疫系统。同时免疫系统是进化的,通过不断调节系统内细胞的数量和种类适应外界环境。提出的进化人工免疫网络借鉴免疫网络和进化的思想,是用于遥感影像分类的监督算法。算法通过一个学习过程,得到能够表示训练数据特征的网络细胞,然后利用这些网络细胞进行分类。实验表明进化人工免疫网络是遥感影像分类的有效工具。     

基于神经网络的遥感影像分类研究

由于传统遥感影像分类方法存在不足，故采用BP神经元网络进行遥感影像分类研究。阐述了算法原理、实现步骤以及改进方法。通过实验示例，将BP神经元网络的分类结果与传统统计方法分类结果进行比较，获得了有意义的结果。     

GIS辅助遥感影像分类概述

论述了在已有的GIS数据基础之上,将GIS数据与知识综合运用于遥感影像监督法分类的分类方法,着重对样区的自动选取、非训练样区的分类等几个有关的问题进行了分析,并对该分类法的优势进行了分析和总结。     

分层神经网络分类算法

提高遥感图像分类精度一直是爱到普遍关注的焦点问题。近年来,人工神经网络技术和分 处理技术由于它们的许多优点受到广泛欢迎。本文把两种技术结合起来,提出了分层神经网络的概念,并基于此设计了一种分层神经网络分类算法。通过与最大似然法的对比实验表明,这种分层神经网络分类算法可以明显地提高分类精度,并对不规则分布的复杂数据具有很强的处理能力。     

基于深度学习理论的无人机影像分类

针对无人机影像深度学习分类方法缺乏现状,本文利用深度学习理论卷积神经网络方法对无人机影像进行了分类。该法首先抽取无人机影像作为训练集和检验集,然后建立一个2个卷积层-池化层的卷积神经网络模型进行深度学习,通过设定参数并运行模型实现无人机影像分类。实验表明,本文提出的方法可完成较复杂地区无人机影像分类,其分类精度与支持向量机方法相当,为无人机遥感影像分类提供了一个崭新的技术视点。     

辅以纹理特征的遥感影像神经网络分类

将由变差函数提取出的纹理信息与光谱信息相结合,运用神经网络方法进行分类和地物识别,并与最大似然法的分类结果进行对比分析,结果表明该方法明显提高了遥感影像的分类精度.     

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。     

一种利用K均值和SOM进行遥感图像分类的方法

探讨了一种将K均值算法和SOM神经网络算法相结合的方法,并将其应用于多光谱遥感图像分类,通过与K均值算法、ISODATA算法和SOM算法的对比实验,验证了该方法的有效性.     

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。     

基于标识的遥感影像部分监督模糊聚类

根据遥感影像的特点引入了部分监督模糊聚类的方法,并对其进行改进,加入了标识参数flagk,使其在训练过程中对参与计算的数据进行筛选,使得训练的速度加快,去除了非样本类数据对类心数据的影响,获得了较高精度的分类结果。     

基于改进Kohonen神经网络的遥感影像分类

提出了一种基于改进后的Kohonen自组织特征映射神经网络的聚类方法,应用于多光谱遥感影像分类处理,试验证明其分类精度有较大提高。