發(fā)布時間：2018-04-03 23:21

  本文選題：遙感　切入點：影像分類　出處：《數(shù)學的實踐與認識》2017年02期

【摘要】：遙感影像分類作為遙感技術的一個重要應用,對遙感技術的發(fā)展具有重要作用.針對遙感影像數(shù)據(jù)特點,在目前的非線性研究方法中主要用到的是BP神經網絡模型.但是BP神經網絡模型存在對初始權閾值敏感、易陷入局部極小值和收斂速度慢的問題.因此,為了提高模型遙感影像分類精度,提出采用MEA-BP模型進行遙感影像數(shù)據(jù)分類.首先采用思維進化算法代替BP神經網絡算法進行初始尋優(yōu),再用改進BP算法對優(yōu)化的網絡模型權閾值進一步精確優(yōu)化,隨后建立基于思維進化算法的BP神經網絡分類模型,并將其應用到遙感影像數(shù)據(jù)分類研究中.仿真結果表明,新模型有效提高了遙感影像分類準確性,為遙感影像分類提出了一種新的方法,具有廣泛研究價值.
[Abstract]:As an important application of remote sensing technology, remote sensing image classification plays an important role in the development of remote sensing technology.According to the characteristics of remote sensing image data, BP neural network model is mainly used in the current nonlinear research methods.But the BP neural network model is sensitive to the initial weight threshold, easy to fall into the local minimum and slow convergence speed.Therefore, in order to improve the accuracy of remote sensing image classification, MEA-BP model is used to classify remote sensing image data.First, the thought evolution algorithm is used to replace the BP neural network algorithm for initial optimization, then the improved BP algorithm is used to optimize the weight threshold of the optimized network model. Then, the classification model of BP neural network based on the thought evolution algorithm is established.It is applied to the classification of remote sensing image data.The simulation results show that the new model can effectively improve the accuracy of remote sensing image classification and provide a new method for remote sensing image classification.
【作者單位】： 鄂爾多斯應用技術學院;
【分類號】：TP751

【相似文獻】

相關期刊論文 前10條

1 黃恩興;;遙感影像分類結果的不確定性研究[J];中國農學通報;2010年05期

2 賈坤;李強子;田亦陳;吳炳方;;遙感影像分類方法研究進展[J];光譜學與光譜分析;2011年10期

3 朱丹瑤;;遙感影像分類方法研究[J];黑龍江科技信息;2012年33期

4 孫立新,羅高平,張怡梅;遙感影像分類的歸類學習方法[J];測繪工程;1998年03期

5 李爽,丁圣彥,許叔明;遙感影像分類方法比較研究[J];河南大學學報(自然科學版);2002年02期

6 黃艷;張超;蘇偉;岳安志;;合理尺度紋理分析遙感影像分類方法研究[J];國土資源遙感;2008年04期

7 付博;謝振紅;鄧彩群;;改進的角度余弦方法在濕地遙感影像分類中的應用[J];吉林建筑工程學院學報;2010年04期

8 楊慧;鄭思莉;唐赫;朱文謙;程戰(zhàn)員;;面向對象的武漢市街區(qū)公共遙感影像分類研究[J];軟件導刊;2014年01期

9 楊玉靜;馮建輝;;紋理特征提取及輔助遙感影像分類技術研究[J];海洋測繪;2008年04期

10 李小濤;潘世兵;宋小寧;;基于地質統(tǒng)計學紋理特征的遙感影像分類方法研究[J];地理與地理信息科學;2009年02期

相關會議論文 前10條

1 劉忠陽;陳懷亮;杜子璇;鄒春輝;;基于決策樹方法的Landsat7 ETM+遙感影像分類研究[A];農業(yè)生態(tài)與衛(wèi)星遙感應用技術學術交流會論文摘要集[C];2006年

2 王珊珊;季民;高潔;焦其松;;CBR方法在高分辨率遙感影像分類中的應用[A];《測繪通報》測繪科學前沿技術論壇摘要集[C];2008年

3 湯家法;;基于可拓分類器的遙感影像分類[A];第十七屆中國遙感大會摘要集[C];2010年

4 巫兆聰;;RBF網絡的粗糙表示與遙感影像分類應用[A];第十三屆全國遙感技術學術交流會論文摘要集[C];2001年

5 楊劍;蒲英霞;何一鳴;;基于Getis的遙感影像分類研究[A];中國地理學會百年慶典學術論文摘要集[C];2009年

6 趙泉華;宋偉東;鮑勇;;基于分形紋理的BP神經網絡遙感影像分類[A];中國儀器儀表學會第九屆青年學術會議論文集[C];2007年

7 王梁;韓坤英;;分形理論在遙感影像分類中的應用[A];第十二屆全國數(shù)學地質與地學信息學術研討會論文集[C];2013年

8 汪東川;龔建華;張利輝;;基于時間序列軌跡分析的遙感影像分類結果聯(lián)合校正[A];第十七屆中國遙感大會摘要集[C];2010年

9 羅小波;劉明皓;;基于優(yōu)化的BP神經網絡遙感影像分類[A];2006年中國土地學會學術年會論文集[C];2006年

10 ;結合光譜、紋理與形狀特征的高空間分辨率遙感影像分類(英文)[A];中國測繪學會第九次全國會員代表大會暨學會成立50周年紀念大會論文集[C];2009年

相關博士學位論文 前9條

1 王巍;基于Agent的遙感影像分類方法及其應用研究[D];中國地質大學(北京);2016年

2 任廣波;基于半監(jiān)督學習的遙感影像分類技術研究[D];中國海洋大學;2010年

3 譚琨;基于支持向量機的高光譜遙感影像分類研究[D];中國礦業(yè)大學;2010年

4 巫兆聰;粗集理論在遙感影像分類中的應用[D];武漢大學;2004年

5 易俐娜;面向對象遙感影像分類不確定性分析[D];武漢大學;2011年

6 胥海威;基于改進隨機聚類決策森林算法的遙感影像分類研究[D];中南大學;2012年

7 徐盛;基于主題模型的高空間分辨率遙感影像分類研究[D];上海交通大學;2012年

8 劉志剛;支撐向量機在光譜遙感影像分類中的若干問題研究[D];武漢大學;2004年

9 丁勝;智能優(yōu)化算法在高光譜遙感影像分類中的應用研究[D];武漢大學;2010年

相關碩士學位論文 前10條

1 吳聰;面向對象的高分辨率遙感影像分類在衛(wèi)片執(zhí)法中的應用研究[D];昆明理工大學;2015年

2 周楊;面向對象的高分辨率遙感影像分類技術研究[D];中國地質大學(北京);2015年

3 李奇峰;結合多特征描述和SVM的遙感影像分類研究[D];鄭州大學;2015年

4 宋曉陽;面向對象的遙感分類系統(tǒng)研究[D];南京農業(yè)大學;2014年

5 張靜;西北旱區(qū)遙感影像分類方法研究[D];西北農林科技大學;2016年

6 王慧;融合各最優(yōu)尺度下特征的高分辨率遙感影像分類[D];南京信息工程大學;2016年

7 姚嘯;面向對象的高分遙感影像分類在森林蓄積量估測中的應用研究[D];西安科技大學;2015年

8 麥超;基于稀疏約束受限玻爾茲曼機的高分辨率遙感影像分類[D];長安大學;2016年

9 崔姍姍;基于Hadoop平臺下森林景觀遙感影像分類技術研究[D];東北林業(yè)大學;2016年

10 陳珂;遙感影像分類結果的空間抽樣精度檢驗方法研究[D];上海海洋大學;2016年

，

本文編號：1707351