基于BP神经网络的地图数字化误差纠正

由于在数字化采集过程中不可避免地会引入系统误差和异常误差,因此消除和削弱这些误差的影响是提高空间数据质量的关键。然而由于图纸变形不均匀,扫描误差又极其复杂,用常规的多项式拟合技术只能消除部分有规律的系统误差,很难完全消除它们对地图数字化坐标的影响。BP神经网络是一个高度非线性映射系统,能以任意精度逼近。结合地图数字化坐标改正的特点,本文给出了基于BP神经网络地图数字化坐标误差纠正的方法,并通过实例验证了该方法的有效性。     

基于非等间距模型的建筑物沉降预测方法研究

该文基于实测资料进行建筑物沉降预测。在灰色模型和泊松曲线模型理论的基础上,引入对非等间距数列进行变换处理的方法,从而建立了非等间距预测模型。结合建筑物沉降监测资料进行分析比较,结果表明,两种预测方法均能较好地反映建筑物的沉降趋势。     

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MSA特征的遥感图像多目标关联算法

遥感图像中多目标关联存在以下两个问题:一是低时间分辨率观测使得目标状态信息无法准确估计,基于Kalman滤波的多目标关联算法不再适用;二是基于图像特征的目标关联算法又无法处理大场景观测中多个目标关联引起的模糊性.针对上述问题,提出一种基于多尺度自卷积特征匹配和关联代价矩阵最优化的多目标关联算法.实验表明该算法对遥感图像中多目标关联问题具有一定的适用性.     

基于分区的局域神经网络时空建模方法研究

区域数据表现为两种尺度的空间特性:反映全局特征的空间依赖性和反映局域特征的空间波动性.空间波动性表现为空间数据在局部地区的聚集或高低交错现象.在研究区域数据时空预测性建模时,从降低数据的空间波动和不平稳性对模型预测能力的影响角度出发,提出了一种基于分区的局域神经网络时空非线性建模的思路.分区过程由基于空间邻接关系的K-means聚类算法完成.不同的分区方案通过相关性、波动性、紧凑性等指标进行评价和优选.在确定最优分区方案的基础上,对各子区分别采用两层前馈网络进行建模,模型的输入不仅要考虑本区内单元的作用,而且要考虑相邻子区的边界效应.各神经网络模型的时空预测能力通过平均相均差和动态相似率等指标进行衡量.最后,通过对法国94个县每周流感报告病例的时空建模分析表明,与全局神经网络模型相比,基于分区的局域神经网络模型具有更好的预测能力.     

平面约束条件在LIDAR点云滤波中的应用

介绍了一种利用平面约束条件对LIDAR点云数据进行滤波的方法,利用每个数据点的邻域点拟合平面,根据平面约束条件和平面点分类方法得到地面点,最后利用地面点内插该区域的DTM.     

基于时刻独立脉冲耦合神经网络的高空间分辨率摇感影像分割

高空间分辨率遥感影像中地物目标内部光谱信息复杂性的增强,使得传统基于光谱特征值的数据处理方法效果不再显著,影像分割为解决这一问题提供了一种思路,成为当前高空间分辨率遥感影像处理的研究焦点.时刻独立脉冲耦合神经网络具有状态相近、空间相邻神经元相互耦合同步脉冲激发和区域之间神经元脉冲激发时刻独立两大特点,已被应用于非遥感影像分割中,并取得较好效果.本文结合高空间分辨率遥感影像特点,通过对网络参数进行实验和分析,提出一个基于时刻独立脉冲耦合神经网络的高空间分辨率遥感影像分割方法,并利用空间分辨率0.3m的航空影像进行了数据试验,将分割结果进行讨论并与现有时刻独立脉冲耦合神经网络方法和ISODATA方法分割结果进行对比分析.结果表明:时刻独立脉冲耦合神经网络在高空间分辨率遥感影像分割处理中具有很好的应用前景.     

BP神经网络在局部似大地水准面精化的应用

针对高程拟合中的模型误差问题,采用BP神经网络方法进行拟合,可以减小模型误差,提高似大地水准面的精化精度。在焦作市局部似大地水准面精化算例中,BP神经网络高程拟合取得了良好的效果。     

基于高光谱Hyperion数据的线性光谱混合模型与神经网络模型的比较

混合像元问题是定量遥感中的热点问题之一,为了改进从遥感数据中提取定量信息,人们建立了各种混合光谱分解技术,其中线性光谱混合模型和神经网络模型就是两种比较成熟的方法。以陕西省横山地区的高光谱Hyperion数据为研究基础,通过最小噪声变换(MNF)、像元纯度指数(PPI)转换和RMS误差分析的迭代方法相结合提取影像中的纯净像元作为终端端元。分别运用神经网络模型和线性光谱混合模型对影像进行光谱分解,得到各个组分的分解图像。以标准植被指数(NDVI)影像为衡量标准,选取训练样本点,分别对两种模型进行回归分析,结果显示NDVI影像与线性光谱混合模型植被分解图像的判定系数(R2=0.91)要大于其与神经网络模型的判定系数(R2=0.81)。进一步分析表明在一般情况下,线性光谱混合模型具有比神经网络模型略高的分离精度,但是神经网络模型对细部信息的提取的效果要好于线性光谱混合模型,最后提出了端元均方根误差(EAR)指数,一种新的混合像元分解的思路。     

基于相关系数匹配的混合像元分解算法

遥感影像中的混合像元不仅影响地物识别和分类的精度,而且已成为遥感科学向定量化发展的主要障碍.为此,人们已经提出了多种混合像元分解算法,其中应用最为广泛的是最小二乘法.该方法虽然具有意义明确、简单易行等特点,但也易受局部噪声、大气效应、环境辐射等因素的影响.本文将混合像元分解问题归结为一个基于光谱匹配的非线性最优化问题,并针对最小二乘法的不足提出了一种新的基于相关系数匹配(spectral correlation matching, SCM)的混合像元分解技术.通过在北京市北三环及其以北区域内案例的研究表明:在城市区域内,利用图像选取终端端元的办法,基于相关系数匹配的混合像元分解算法的总体精度高于带全约束的最小二乘法(LS)的分解结果.对比分析表明:在目标光谱的绝对值整体放大或缩小而光谱形状得到了很好的保持、及局部噪声使得光谱值显著变化但光谱形状得到了一定程度保持时,基于光谱形状的相关系数法可以得到比基于光谱绝对值的最小二乘法精度更高的分解结果.