基于人工神经网络的遥感图像自动分类.pptxVIP

会计学;内容安排;一、人工神经网络;1.1 人工神经网络概述;1.1 人工神经网络概述;1.2 人工神经网络发展简史;1.2 人工神经网络发展简史;1.3 人工神经网络基础;1.3 人工神经网络基础;1.4 人工神经网络结构;;1.4 人工神经网络结构;1、对称型Sigmoid函数 ;2、非对称型Sigmoid函数;3、对称型阶跃函数函数;4、线性函数 ;5、高斯函数 ;1.4 人工神经网络结构;1.4 人工神经网络结构;1.4 人工神经网络结构;1、层次型神经网络;1.4 人工神经网络结构 ;2021/8/30;2021/8/30;2021/8/30;（2）层内有互联的前向神经网络 在前向神经网络中有的在同一层中的各神经元相互有连接,通过层内神经元的相互结合，可以实现同一层内神经元之间的横向抑制或兴奋机制，这样可以限制每层内能同时动作的神经元数，或者把每层内的神经元分为若干组，让每组作为一个整体来动作。 ;2、互联型神经网络;1.5 人工神经网络的学习类型 ;1、有监督学习方式;;Donall Hebb根据生理学中的条件反射机理，于1949年提出的神经元连接强度变化的规则： 如果两个神经元同时兴奋(即同时被激活)，则它们之间的突触连接加强。 ?为学习速率，oi、oj为神经元 i 和 j 的输出。;2、纠错式学习— Delta(δ)学习规则 ; 现在要调整权值，是误差信号e(n)减小到一个范围。为此，可设定代价函数或性能指数E(n)：;1.6 人工神经网络模型; 感知器模型是美国学者罗森勃拉特（Rosenblatt）为研究大脑的存储、学习和认知过程而提出的一类具有自学习能力的神经网络模型，它把神经网络的研究从纯理论探讨引向了从工程上的实现。 Rosenblatt提出的感知器模型是一个只有单层计算单元的前向神经网络，称为单层感知器。 感知器特别适合于简单的模式分类问题，也可用于基于模式分类的学习控制和多模态控制中 。;感知器神经网络的学习规则：;感知器神经网络的训练： ;感知器神经网络应用举例 ;输入向量为： 1.26 1.28 1.30;1.72 1.74 1.64 1.82 1.90 1.70 1.70 1.82 2.08 1.78 1.96 1.86 2.00 2.00 1.96 ] 目标向量为：t=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0];1.为解决该问题，利用函数newp构造输入量在[0，2.5]之间的感知器神经网络模型：；0 2.5]，1);感知器网络训练结束后，可以利用函数sim进行仿真， 解决实际的分类问题： p1=[1.24;1.80] a1=sim(net,p1) p2=[1.28;1.84] a2=sim(net,p2) p3=[1.40;2.04] a3=sim(net,p3) 网络仿真结果为： a1=0 a2=0 a3=0 ;线性神经网络的主要用途是线性逼近一个函数表达式，具有联 想功能。另外，它还适用于信号处理滤波、预测、模式识别和 控制等方面。 ;主要用于函数逼近、模式识别、分类以及数据压缩等方面。 ;模型中采用高斯函数radbas 作为径向基神经元的传递 函数；学习算法常用的有 两种：一种是无导师学习， 另一种便是有导师学习。;5.竞争学习网络 ——Kohoneo学习规则;主要用于信号检测和预测等方面,网络在训练时采用基于误差反向传播算法的学习函数，如trainlm、trainbfg、trainrp、traingd等。;主要用于联想记忆、聚类和优化计算等方面，神经元传递函数为对称饱和线性函数satlins。;内容安排;2.1 遥感图像分类;举例;;2.2 遥感图像自动分类方法;1.监督分类;A、分类训练区的选择;;;;;2. 非监督分类;非监督分类举例;内容安排;3.1 人工神经网络分类;3.2 多种分类器;3.2 多种分类器;内容安排;4.1 ANN用于遥感图像分类;基于半线型前馈网络分类;基于半线型前馈网络分类;结果图;结果图;基于BP神经网络分类;基于BP神经网络分类;基于BP神经网络分类;基于BP神经网络分类;基于BP神经网络分类;基于BP神经网络分类;内容安排;5.总结;请老师和同学们批评指正！