發(fā)布時間：2017-04-16 18:27

  本文關鍵詞：粒子群神經網絡在遙感影像分類中的應用研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著遙感技術的不斷發(fā)展,人們可以快速得到大范圍實時的遙感數(shù)據(jù),這些數(shù)據(jù)對于科學研究、國家發(fā)展、國家安全等有著重要的作用。對遙感數(shù)據(jù)的分類也是遙感應用的關鍵技術之一。這使得很多研究者研究遙感圖像的自動分類算法,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用來提高遙感圖像分類的精度,然而這些改進的算法還需要進一步的研究來更加精確的實現(xiàn)遙感圖像的分類。本文從遙感圖像分類國內外研究現(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,研究了進行遙感圖像分類時所需要的主要特征以及遙感圖像分類后對分類結果精度評價的內容。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對象技術在遙感圖像分類中的應用,以及在分類過程中存在的一些問題等。文章的后面章節(jié)重點介紹了粒子群和神經網絡兩種算法,依靠粒子群能得到全局最優(yōu)解,利用粒子群算法訓練出一組全局最優(yōu)值作為BP神經網絡初始的權值和閾值,最后BP神經網絡模型成功的融合了粒子群算法后訓練出局部最優(yōu)解,訓練結果成功的將遙感圖像進行更精確的分類。在此基礎上,利用粒子群BP神經網絡進行遙感圖像分類的實驗,建立粒子群BP神經網絡實驗的模型,實施遙感圖像分類,最后把分類結果進行精度評價,并與非監(jiān)督和監(jiān)督分類結果進行對比。實驗結果表明:粒子群BP神經網絡分類結果明顯優(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,分類結果精度較高。
【關鍵詞】：粒子群 BP神經網絡 粒子群BP神經網絡 遙感分類
【學位授予單位】：東華理工大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：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 國內外研究現(xiàn)狀10-12
• 1.3 本文的研究內容、技術路線及章節(jié)安排12-14
• 1.3.1 本文研究內容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. 遙感圖像分類基礎知識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 雷達遙感圖像數(shù)據(jù)15
• 2.2 遙感圖像分類時所研究的主要特征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 遙感圖像分類結果精度評價18-20
• 2.3.1 基于誤差的分類結果精度評價18-19
• 2.3.2 遙感圖像分類結果精度評價的研究現(xiàn)狀19-20
• 2.4 本章總結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25
• 3.3 支持向量機在遙感圖像分類中的應用25-27
• 3.3.1 支持向量機理論發(fā)展的概述25
• 3.3.2 支持向量機原理25-27
• 3.3.3 支持向量機算法的優(yōu)缺點27
• 3.4 面向對象技術在遙感圖像分類中的應用27-29
• 3.4.1 面向對象分類概述27-28
• 3.4.2 面向對象分類原理28-29
• 3.4.3 面向對象分類算法的優(yōu)缺點29
• 3.5 本章總結29-30
• 4. 粒子群算法與神經網絡算法的結合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神經網絡算法32-37
• 4.2.1 BP神經網絡的概述32-33
• 4.2.2 本文研究的BP神經網絡的模型33-37
• 4.3 粒子群BP神經網絡算法37-40
• 4.3.1 粒子群BP神經網絡算法的概述37
• 4.3.2 粒子群BP神經網絡算法的具體模型和matlab中的實現(xiàn)37-39
• 4.3.3 粒子群BP神經網絡模型和BP神經網絡模型訓練對比39-40
• 4.4 本章總結40-42
• 5. 粒子群神經網絡進行遙感圖像分類的實驗42-52
• 5.1 研究區(qū)域介紹42
• 5.2 粒子群BP神經網絡分類試驗42-47
• 5.3 分類試驗結果對比分析47-52
• 6. 結論與展望52-54
• 致謝54-56
• 參考文獻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神經網絡訓練程序68-70
• 附錄D 分類程序70-71

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 譚衢霖,邵蕓;雷達遙感圖像分類新技術發(fā)展研究[J];國土資源遙感;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];首都師范大學學報(自然科學版);2004年03期

3 杜鳳蘭,田慶久,夏學齊;遙感圖像分類方法評析與展望[J];遙感技術與應用;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];國土資源遙感;2005年02期

5 王一達;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;黃國滿;;改進的直方圖均衡化在遙感圖像分類中的應用[J];四川測繪;2008年04期

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

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

9 許凱;秦昆;劉修國;李登朝;;泛概念層次構建方法及其在遙感圖像分類中的應用[J];武漢大學學報(信息科學版);2013年09期

10 潘時祥 ,朱述龍;概率松馳法在提高遙感圖像分類精度中的應用[J];解放軍測繪學院學報;1993年03期

中國重要會議論文全文數(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用研究[A];中國遙感應用協(xié)會2010年會暨區(qū)域遙感發(fā)展與產業(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];中國地理學會2006年學術年會論文摘要集[C];2006年

3 周軍其;張紅;孫家b

本文編號：311427