BP神经网络在遥感图像分类中应用.pdfVIP

BP 神经网络在遥感图像分类中的应用1 吴云，姬翠翠，郭嗣琮，樊硕 辽宁工程技术大学测绘与地理科学学院，辽宁阜新（123000 ） E—mail：wuyun8223@163.com 摘 要：为了研究BP 神经网络在遥感图像分类中的应用，本文通过分析BP 神经网络的原 理、结构、模型及算法，提出了利用BP 神经网络进行遥感分类的方法和特点。并且对神经 网络图像分类方法和传统方法作了比较。实验表明，BP 神经网络在遥感图像分类中有较高 的可信度。有进一步深入研究的必要。 关键词：BP 神经网络；遥感图像分类；人工神经网络 1. 引言 遥感图像分类（classification ）是将图像的所有像元按其性质分为若干个类别（class ） 的技术过程[1] 。遥感图像分类技术作为遥感技术的一个重要分支,多年来一直受到遥感界研究 人员的普遍重视,其核心任务就是确定不同地物类别间的判别界面和判别准则[2] 。遥感影像主 要是通过像元亮度值的差异或空间梯度变化来表示不同地物间的差异。像元间的亮度差异反 映了地物的光谱信息的差异，而空间变化的差异反映了地物的空间信息的不同，这是遥感影 像分类的基本依据。 目前最小距离分类法、最大似然法（Maximum Likelihood Classifier ）、多级切割分类法、 特征曲线窗口法等监督分类法和分级集群法（Hierarchical Clustering ）、动态聚类法等非监 督分类法在遥感图像处理中应用得最普遍,也发展得最成熟。但是, 由于遥感影像数据其自身 的特点,如含混度大、维数高等方面的问题以及“异物同谱”和“ 同物异谱”等现象的存在，常出 现错分、漏分的情况，导致分类精度不高。随着遥感应用技术的飞速发展，必须采用新的方 法来提高分类的精度，模糊集理论和神经网络计算技术被应用到遥感影像分类中。人工神经 网络模型具有综合分析能力,能够很好地拟合一个非线性过程,且应用灵活,它独特的结构和 处理信息的方法,能解决一些传统计算机难求解的问题,发展前途和应用前景十分广阔。 2. BP(Back Propagation,反向传播) 网络 2.1 人工神经网络简介 人工神经网络(Artificial neural network)的概念是在20世纪40年代中期提出的, 自1943年 Mc Culloch和Pitts提出形式神经元结构的数学描述（M—P模型）以来，经过了50多年曲折的 发展道路,人工神经网络理论与应用技术取得了长足的发展。它属于非线性学科, 由于具有强 抗干扰、高容错性、并行分布式处理、自组织学习和分类精度高等特点而得到广泛应用。 2.2 BP(Back Propagation)反向传播网络 BP(Back Propagation)反向传播网络是由Rumelhard 和Mcclelland 等人在1982 年提出的, 其思想是使用梯度搜索理论，以使得网络实际输出与期望输出的均方差达到最小。网络 的学习过程是将输出层的误差反向传播回去，并借以修正权值。它是采用误差反传算法作为 1本课题得到教育部博士点基金（项目编号：20050147002 ）和辽宁省高等学校重点实验室项目（项目编号： ）的资助。 - 1 - 其学习规则进行有监督学习的前馈网络,它需要相当数量的已知样本进行学习训练, 以便找出 且记住输入样本模式与分类类别之间的关系。通常把要分类的地物对象的条件集合或特征组 合作为BP 网络的输入模式,并给出期望的输出模式。 反向传播是指误差信号的反向传播，并不是将输出层状态再作用到隐层节点，或隐层输 出再作用到输入层节点。网络自身不存在反馈，所以BP 网络不能视为非线性动力系统，只 [3] 是一个非线性映射 。 2.2.1 BP 网络的结构 2n+1 个 X1