神经元网络在中山陵景区林业土地分类中的应用.pdfVIP

摘 要 本文是以中山陵风景园林景区为研究区域，在原始数据TM图像进行光谱特征分析和 几何校正的基础上，对遥感图像进行了一系列常规处理，如反差变换、比值增强、主成分 变换、缨帽变换、假彩色合成等，然后分析各波段的方差、相关系数，计算各波段的信息 的基础波段。 在此基础上，进行了无监分类和有监分类，主要方法选用了最大似然法、最小距离法 和神经元网络法。重点对神经元网络法进行了研究，先是用BP网络对图像进行学习训练 并分类，然后又用动量方法对BP算法改进，得到较为理想的分类结果。通过以上一系列 的分析处理，本文得到了以下结论： 聊7波段信息量最为丰富，各地类问的差异也最明显。TIM4波段的独立性最强，而 且与生物量关系最为密切。在TM的六个波段中经过比值处理后，从影像上看各个地类之 间的差异加大，效果比较明显的是归一化植被指数和比值植被指数。通过主成分分析表明， 主成分综合了各个波段的信息，且相互之间完全正交不相关，其中Pcl达到90．97％的贡 献率。 最大似然法的内部算法缺陷少、可靠性好，采用高斯分布模型描述样本的概率分布， 对实际上并非高斯分布的样本进行分析时会产生较高的误判率，但对本问而言，所用TM4 波段的灰度直方图表明，样本的概率分布服从高斯分布。所得精度结果稍低于神经网络方 法。 用动量方法对原始的BP算法进行改进，在节省时间和训练结果上都取得了较好的效 RMs 果。使收敛总误差(TrainingErrw)在更短的时间达到所期望的值(o．1)。 通过本文的研究神经网络分类方法，无论是总体精度还是Kh。统计值都大于最大似然 法和最小距离法，为96143％和95．33％。各种精度评价指标综合体现出神经网络的优势。 分析其原因，神经网络具有良好的自组织和自学习功能，大大放松了传统模式识另U方法所 需的约束条件，即使模式空间的分布出现锯齿状情况，神经网络也能对模式集进行正确的 分类，这也是神经网络分类精度优于最大似然法的主要原因。 为全面比较神经元网络方法与传统的分类方法以体现其优势所在，在精度评价上本文 采用了多个评价指标，以期得到比较客观的评价。 关键词：主成分分析、最大似然法、神经元网络、BP算法、精度评价 Network ficialNeural ofArti The ication aDDl in Mausoleum o￡terrain kind8 ZhOng—Shan differentiatinq Abstract are mtllodsMaximum—likelihood， Thetraditiona玉remote classi矗cation sensingima窖e anmcialneural was Min—distance nctwork(ANN)modd classmcation，etc．hl也is paper’t11e in as to five ofterrain Mausoleum，suchfbrest， intm血ced