發(fā)布時間：2018-04-17 11:30

  本文選題：相容粗糙集 + BP神經網絡　； 參考：《資源科學》2016年08期

【摘要】：BP神經網絡因具有自學習、自適應、大規(guī)模并行處理等特點而廣泛應用于遙感影像分類中,但是該方法訓練時容易陷入局部極小值,且收斂速度較慢,針對這些不足提出一種基于相容粗糙集的BP神經網絡分類方法。本文以雙臺子河口濕地為研究對象,以Landsat-8 OLI影像為數據基礎,利用相容粗糙集理論對樣本數據集進行預處理,將得到的數據作為新的訓練樣本,在Matlab軟件平臺下建立BP神經網絡的濕地覆被分類模型,進行濕地覆被信息提取,將分類結果與單純的BP神經網絡以及粗糙集樣本屬性約簡預處理的分類結果進行比較分析。結果表明,基于相容粗糙集的BP神經網絡分類方法可以剔除訓練樣本中的噪聲數據,提高網絡的訓練成功率,縮短網絡的收斂時間,分類效果較好,其總體精度達到91.25%,Kappa系數為0.8969,比單純的BP神經網絡分類結果高7.92%和0.0926,比粗糙集樣本屬性約簡預處理方法的分類結果高3.03%和0.0357,是一種有效的濕地覆被分類方法。
[Abstract]:BP neural network is widely used in remote sensing image classification because of its characteristics of self-learning, self-adaptation, large-scale parallel processing and so on.A BP neural network classification method based on compatible rough set is proposed to solve these problems.Taking Shuangtaizi Estuary Wetland as the research object and Landsat-8 OLI image as the data base, using the consistent rough set theory to preprocess the sample data set, the obtained data is taken as a new training sample.The wetland cover classification model based on BP neural network was established based on Matlab software, and the wetland cover information was extracted. The classification results were compared with those of BP neural network and rough set sample attribute reduction preprocessing.The results show that the classification method of BP neural network based on consistent rough set can eliminate the noise data from the training samples, improve the training success rate of the network, shorten the convergence time of the network, and the classification effect is better.The total accuracy of the method is 0.8969, which is 7.92% and 0.0926 higher than that of BP neural network alone, and 3.03% and 0.0357 higher than that of rough set sample reduction preprocessing method. It is an effective wetland cover classification method.
【作者單位】： 沈陽農業(yè)大學水利學院;
【基金】：國家自然科學青年科學基金項目(31200392)
【分類號】：P237

【相似文獻】

相關期刊論文 前10條

1 石杰;;粗糙集理論及其應用研究[J];科技信息;2008年33期

2 唐彬;;粗糙集理論和應用研究[J];內江科技;2008年03期

3 林國平;;覆蓋廣義粗糙集與信任函數[J];漳州師范學院學報(自然科學版);2010年02期

4 王石平;祝峰;朱培勇;;基于抽象相關關系的粗糙集研究[J];南京大學學報(自然科學版);2010年05期

5 楊啟賢;;粗糙集及其應用簡介[J];貴州師范大學學報(自然科學版);1988年02期

6 韓禎祥,張琦,文福拴;粗糙集理論及其應用[J];信息與控制;1998年01期

7 張文修,吳偉志;粗糙集理論介紹和研究綜述[J];模糊系統(tǒng)與數學;2000年04期

8 魏立力,曹飛龍;概率粗糙集的模糊性(英文)[J];寶雞文理學院學報(自然科學版);2001年04期

9 李劍,范小軍,黃沛;基于粗糙集的知識理論及其應用[J];系統(tǒng)工程理論方法應用;2001年03期

10 吳明芬;粗糙集理論的研究現(xiàn)狀與前景[J];五邑大學學報(自然科學版);2002年02期

相關會議論文 前10條

1 黎文航;陳善本;王兵;;粗糙集理論在焊接中的應用綜述[A];第十一次全國焊接會議論文集（第2冊）[C];2005年

2 尹宗成;;粗糙集理論在我國糧食產量預測中的應用[A];現(xiàn)代農業(yè)理論與實踐——安徽現(xiàn)代農業(yè)博士科技論壇論文集[C];2007年

3 鄒剛;滕書華;孫即祥;陳森林;敖永紅;;一種粗糙集優(yōu)化協(xié)同原型模式約簡分類方法[A];第十四屆全國信號處理學術年會(CCSP-2009)論文集[C];2009年

4 葛麗;傅彥;;粗糙集在科學數據屬性約簡中的應用[A];第二十一屆中國數據庫學術會議論文集（技術報告篇）[C];2004年

5 陳雪飛;;粗糙集分類中耦合數據的處理方法研究[A];2008年全國開放式分布與并行計算機學術會議論文集(上冊)[C];2008年

6 肖健梅;蘆曉明;王錫淮;;集裝箱起重機防搖系統(tǒng)粗糙集控制[A];第二十六屆中國控制會議論文集[C];2007年

7 王印松;馮康;;主汽溫調節(jié)系統(tǒng)性能評價的粗糙集實現(xiàn)方法[A];第二十七屆中國控制會議論文集[C];2008年

8 王紅萍;萬程亮;金彥豐;;應用粗糙集理論的對抗效果權重確定方法[A];2009’中國西部地區(qū)聲學學術交流會論文集[C];2009年

9 王莉;周獻中;;一種基于粗糙集的模糊神經網絡模型在鋼材力學性能預測中的研究[A];2009年中國智能自動化會議論文集（第二分冊）[C];2009年

10 卓明;王麗珍;譚旭;;基于粗糙集近似集擴展的規(guī)則提取算法[A];第十七屆全國數據庫學術會議論文集（技術報告篇）[C];2000年

相關博士學位論文 前10條

1 馬希驁;概率粗糙集屬性約簡理論及方法研究[D];西南交通大學;2014年

2 唐孝;基于粗糙集的知識發(fā)現(xiàn)方法及其在ECG信號識別中的應用[D];電子科技大學;2015年

3 曾凱;鄰域�；植谟嬎愕年P鍵技術研究與應用[D];電子科技大學;2015年

4 鮑忠奎;面向不確定信息系統(tǒng)的粗糙集擴展模型研究[D];合肥工業(yè)大學;2015年

5 王永生;基于粗糙集理論的動態(tài)數據挖掘關鍵技術研究[D];北京科技大學;2016年

6 薛佩軍;正負域覆蓋廣義粗糙集與知識粗傳播研究[D];山東大學;2007年

7 孔芝;粗糙集理論若干問題的研究與應用[D];東北大學;2009年

8 秦中廣;基于粗糙集的交叉研究及其在中醫(yī)診斷的應用[D];華南理工大學;2002年

9 劉少輝;知識發(fā)現(xiàn)中粗糙集理論的研究[D];中國科學院研究生院（計算技術研究所）;2003年

10 鄧大勇;基于粗糙集的數據約簡及粗糙集擴展模型的研究[D];北京交通大學;2007年

相關碩士學位論文 前10條

1 江飛;粗糙集神經網絡故障診斷方法研究[D];西安石油大學;2015年

2 何理榮;粗糙集理論在銀行信貸風險評估中的應用研究[D];華南理工大學;2015年

3 張德齊;基于粗糙集理論的電機故障診斷方法研究[D];渤海大學;2015年

4 楊禮;基于粗糙集的公路交通安全預警研究[D];西南交通大學;2015年

5 聶萌瑤;基于泛系串并模型的粗糙集概念擴展與拓撲空間[D];蘭州大學;2015年

6 徐鵬;基于粗糙集的建筑起重機械安全精細化評價研究[D];西安建筑科技大學;2015年

7 孫宇航;粗糙集屬性約簡方法在醫(yī)療診斷中的應用研究[D];蘇州大學;2015年

8 張曼;基于粗糙集和包含度的聚類分類算法研究[D];青島理工大學;2015年

9 車世遠;基于群搜索優(yōu)化粗糙集的腦科學數據研究[D];大連海事大學;2015年

10 林哲;基于粗糙集的馬田系統(tǒng)研究及其在銀行直接營銷客戶分類中的應用[D];南京理工大學;2015年

，

本文編號：1763428