發(fā)布時(shí)間：2017-04-16 18:27

  本文關(guān)鍵詞：粒子群神經(jīng)網(wǎng)絡(luò)在遙感影像分類中的應(yīng)用研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著遙感技術(shù)的不斷發(fā)展,人們可以快速得到大范圍實(shí)時(shí)的遙感數(shù)據(jù),這些數(shù)據(jù)對(duì)于科學(xué)研究、國(guó)家發(fā)展、國(guó)家安全等有著重要的作用。對(duì)遙感數(shù)據(jù)的分類也是遙感應(yīng)用的關(guān)鍵技術(shù)之一。這使得很多研究者研究遙感圖像的自動(dòng)分類算法,涌現(xiàn)出了很多監(jiān)督和非監(jiān)督分類的算法,這些算法不斷的被改進(jìn)用來提高遙感圖像分類的精度,然而這些改進(jìn)的算法還需要進(jìn)一步的研究來更加精確的實(shí)現(xiàn)遙感圖像的分類。本文從遙感圖像分類國(guó)內(nèi)外研究現(xiàn)狀入手,介紹了用于遙感分類的主要數(shù)據(jù)源及他們各自的特點(diǎn),研究了進(jìn)行遙感圖像分類時(shí)所需要的主要特征以及遙感圖像分類后對(duì)分類結(jié)果精度評(píng)價(jià)的內(nèi)容。在第3章研究了非監(jiān)督分類方法和監(jiān)督分類方法以及面向?qū)ο蠹夹g(shù)在遙感圖像分類中的應(yīng)用,以及在分類過程中存在的一些問題等。文章的后面章節(jié)重點(diǎn)介紹了粒子群和神經(jīng)網(wǎng)絡(luò)兩種算法,依靠粒子群能得到全局最優(yōu)解,利用粒子群算法訓(xùn)練出一組全局最優(yōu)值作為BP神經(jīng)網(wǎng)絡(luò)初始的權(quán)值和閾值,最后BP神經(jīng)網(wǎng)絡(luò)模型成功的融合了粒子群算法后訓(xùn)練出局部最優(yōu)解,訓(xùn)練結(jié)果成功的將遙感圖像進(jìn)行更精確的分類。在此基礎(chǔ)上,利用粒子群BP神經(jīng)網(wǎng)絡(luò)進(jìn)行遙感圖像分類的實(shí)驗(yàn),建立粒子群BP神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)的模型,實(shí)施遙感圖像分類,最后把分類結(jié)果進(jìn)行精度評(píng)價(jià),并與非監(jiān)督和監(jiān)督分類結(jié)果進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明:粒子群BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果明顯優(yōu)于ISODATA和K-均值聚類非監(jiān)督分類,比最小距離監(jiān)督分類模型總體精度和Kappa系數(shù)分別高出0.124和0.157,分類結(jié)果精度較高。
【關(guān)鍵詞】：粒子群 BP神經(jīng)網(wǎng)絡(luò) 粒子群BP神經(jīng)網(wǎng)絡(luò) 遙感分類
【學(xué)位授予單位】：東華理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：P237
【目錄】：

• 摘要5-6
• Abstract6-10
• 1. 緒論10-14
• 1.1 課題背景及意義10
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀10-12
• 1.3 本文的研究?jī)?nèi)容、技術(shù)路線及章節(jié)安排12-14
• 1.3.1 本文研究?jī)?nèi)容12
• 1.3.2 遙感圖像分類的具體流程12-13
• 1.3.3 文章的具體安排13-14
• 2. 遙感圖像分類基礎(chǔ)知識(shí)14-22
• 2.1 遙感圖像的分類的主要數(shù)據(jù)源14-15
• 2.1.1 中低分辨率的遙感圖像數(shù)據(jù)14
• 2.1.2 高辨率的遙感圖像數(shù)據(jù)14-15
• 2.1.3 高光譜遙感圖像數(shù)據(jù)15
• 2.1.4 雷達(dá)遙感圖像數(shù)據(jù)15
• 2.2 遙感圖像分類時(shí)所研究的主要特征15-18
• 2.2.1 遙感圖像的光譜特征15-16
• 2.2.2 遙感圖像的紋理特征16-17
• 2.2.3 遙感圖像的空間特征17-18
• 2.3 遙感圖像分類結(jié)果精度評(píng)價(jià)18-20
• 2.3.1 基于誤差的分類結(jié)果精度評(píng)價(jià)18-19
• 2.3.2 遙感圖像分類結(jié)果精度評(píng)價(jià)的研究現(xiàn)狀19-20
• 2.4 本章總結(jié)20-22
• 3. 遙感圖像分類方法22-30
• 3.1 最大似然算法在遙感圖像分類中的應(yīng)用22-23
• 3.1.1 最大似然算法理論22-23
• 3.1.2 最大似然監(jiān)督分類的優(yōu)缺點(diǎn)23
• 3.2 迭代自組織數(shù)據(jù)分析聚類算法（ISODATA）在遙感影像分類中的應(yīng)用23-25
• 3.2.1 迭代自組織數(shù)據(jù)分析聚類算法的原理與實(shí)現(xiàn)23-25
• 3.2.2 迭代自組織數(shù)據(jù)分析聚類算法的優(yōu)缺點(diǎn)25
• 3.3 支持向量機(jī)在遙感圖像分類中的應(yīng)用25-27
• 3.3.1 支持向量機(jī)理論發(fā)展的概述25
• 3.3.2 支持向量機(jī)原理25-27
• 3.3.3 支持向量機(jī)算法的優(yōu)缺點(diǎn)27
• 3.4 面向?qū)ο蠹夹g(shù)在遙感圖像分類中的應(yīng)用27-29
• 3.4.1 面向?qū)ο蠓诸惛攀?/span>27-28
• 3.4.2 面向?qū)ο蠓诸愒?/span>28-29
• 3.4.3 面向?qū)ο蠓诸愃惴ǖ膬?yōu)缺點(diǎn)29
• 3.5 本章總結(jié)29-30
• 4. 粒子群算法與神經(jīng)網(wǎng)絡(luò)算法的結(jié)合30-42
• 4.1 粒子群算法30-32
• 4.1.1 粒子群算法概述30-31
• 4.1.2 本文研究的粒子群算法的模型31-32
• 4.1.3 本文研究的粒子群算法的流程32
• 4.2 BP神經(jīng)網(wǎng)絡(luò)算法32-37
• 4.2.1 BP神經(jīng)網(wǎng)絡(luò)的概述32-33
• 4.2.2 本文研究的BP神經(jīng)網(wǎng)絡(luò)的模型33-37
• 4.3 粒子群BP神經(jīng)網(wǎng)絡(luò)算法37-40
• 4.3.1 粒子群BP神經(jīng)網(wǎng)絡(luò)算法的概述37
• 4.3.2 粒子群BP神經(jīng)網(wǎng)絡(luò)算法的具體模型和matlab中的實(shí)現(xiàn)37-39
• 4.3.3 粒子群BP神經(jīng)網(wǎng)絡(luò)模型和BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練對(duì)比39-40
• 4.4 本章總結(jié)40-42
• 5. 粒子群神經(jīng)網(wǎng)絡(luò)進(jìn)行遙感圖像分類的實(shí)驗(yàn)42-52
• 5.1 研究區(qū)域介紹42
• 5.2 粒子群BP神經(jīng)網(wǎng)絡(luò)分類試驗(yàn)42-47
• 5.3 分類試驗(yàn)結(jié)果對(duì)比分析47-52
• 6. 結(jié)論與展望52-54
• 致謝54-56
• 參考文獻(xiàn)56-60
• 附錄A 讀取樣本數(shù)據(jù)60-62
• 附錄B 粒子群優(yōu)化程序62-68
• 附錄C BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練程序68-70
• 附錄D 分類程序70-71

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前10條

1 譚衢霖,邵蕓;雷達(dá)遙感圖像分類新技術(shù)發(fā)展研究[J];國(guó)土資源遙感;2001年03期

2 潘建剛,趙文吉,宮輝力;遙感圖像分類方法的研究[J];首都師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年03期

3 杜鳳蘭,田慶久,夏學(xué)齊;遙感圖像分類方法評(píng)析與展望[J];遙感技術(shù)與應(yīng)用;2004年06期

4 李石華,王金亮,畢艷,陳姚,朱妙園,楊帥,朱佳;遙感圖像分類方法研究綜述[J];國(guó)土資源遙感;2005年02期

5 王一達(dá);沈熙玲;謝炯;;遙感圖像分類方法綜述[J];遙感信息;2006年05期

6 岳昔娟;張勇;黃國(guó)滿;;改進(jìn)的直方圖均衡化在遙感圖像分類中的應(yīng)用[J];四川測(cè)繪;2008年04期

7 金良;于鳳鳴;;計(jì)算機(jī)遙感圖像分類法在天然草原土地利用現(xiàn)狀研究中的應(yīng)用[J];科技資訊;2010年36期

8 付森;;遙感圖像分類技術(shù)的發(fā)展現(xiàn)狀[J];科技風(fēng);2010年08期

9 許凱;秦昆;劉修國(guó);李登朝;;泛概念層次構(gòu)建方法及其在遙感圖像分類中的應(yīng)用[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2013年09期

10 潘時(shí)祥 ,朱述龍;概率松馳法在提高遙感圖像分類精度中的應(yīng)用[J];解放軍測(cè)繪學(xué)院學(xué)報(bào);1993年03期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫 前5條

1 張守娟;周詮;;空間數(shù)據(jù)挖掘決策樹算法在遙感圖像分類中的應(yīng)用研究[A];中國(guó)遙感應(yīng)用協(xié)會(huì)2010年會(huì)暨區(qū)域遙感發(fā)展與產(chǎn)業(yè)高層論壇論文集[C];2010年

2 鄧文勝;邵曉莉;劉海;萬誥方;許亮;;基于證據(jù)理論的遙感圖像分類方法探討[A];中國(guó)地理學(xué)會(huì)2006年學(xué)術(shù)年會(huì)論文摘要集[C];2006年

3 周軍其;張紅;孫家b

本文編號(hào)：311427