【摘要】：海洋水色遙感反演本質(zhì)上是一種病態(tài)的(解的穩(wěn)定性與唯一性不成立)、不確定的(難以或無法建立精確的物理和擾動(dòng)模型)和非線性的問題,采用傳統(tǒng)的建模和“正演+優(yōu)化”兩類反演方法常常難以取得較好的反演結(jié)果,尤其是對(duì)光學(xué)特性比較復(fù)雜的沿岸水體。傳統(tǒng)建模方法中,分析或半分析方法的反演結(jié)果受理論、方程求解和參數(shù)測(cè)定等方面的諸多限制,而經(jīng)驗(yàn)算法的主要困難則在于表觀光學(xué)量與海水成分濃度之間的非線性關(guān)系,在缺乏先驗(yàn)知識(shí)的情況下,其統(tǒng)計(jì)關(guān)系式的獲取常常依賴于對(duì)各種波段組合的大量試驗(yàn),所建立的經(jīng)驗(yàn)算法不具備全局性,而且容易造成信息的丟失。對(duì)傳統(tǒng)的“正演+優(yōu)化”方法而言,其中一個(gè)主要不足在于它所采用的局部優(yōu)化方法,因?yàn)樗囱莸哪繕?biāo)函數(shù)是一個(gè)多峰的、不連續(xù)的函數(shù),局部優(yōu)化方法無法保證算法能收斂到全局最小,如果落入局部極值,反演結(jié)果可能很差,甚至沒有物理意義。 近年來發(fā)展起來的軟計(jì)算信息處理方法可以克服上述傳統(tǒng)海洋水色反演方法所遇到的困難。本文對(duì)此進(jìn)行探討,主要內(nèi)容包括利用軟計(jì)算中的兩種建模和一種優(yōu)化方法來實(shí)現(xiàn)海洋水色遙感反演。 第一種建模方法為人工神經(jīng)網(wǎng)絡(luò)模型。應(yīng)用SeaBAM 全球?qū)崪y(cè)數(shù)據(jù)集,建立從遙感反射率反演海水葉綠素濃度的多層前饋神經(jīng)網(wǎng)絡(luò)模型。對(duì)多種快速學(xué)習(xí)算法進(jìn)行試驗(yàn)比較,從中確立Levenberg-Marquardt 算法來訓(xùn)練網(wǎng)絡(luò)。為提高算法的推廣能力,將Bayes 正規(guī)化方法應(yīng)用于網(wǎng)絡(luò)的學(xué)習(xí)過程。反演結(jié)果顯示,與NASA 所采用的SeaBAM 統(tǒng)計(jì)算法相比,神經(jīng)網(wǎng)絡(luò)模型的反演值在葉綠素濃度約小于0.03mg/m3的很小范圍內(nèi)有些偏高,在葉綠素濃度的其它區(qū)間精度較高,在二類海水區(qū)域則明顯好于SeaBAM 統(tǒng)計(jì)算法�？傮w而言,神經(jīng)網(wǎng)絡(luò)模型的反演結(jié)果優(yōu)于SeaBAM 統(tǒng)計(jì)算法。與經(jīng)驗(yàn)統(tǒng)計(jì)算法相比,神經(jīng)網(wǎng)絡(luò)模型的好處是可以直接有效地利用各波段輻射所攜帶的海洋水色信息,可以在包括二類海水區(qū)域等各種環(huán)境條件下取得較好的反演結(jié)果,是一種具有普遍意義的葉綠素濃度反演方法。 第二種建模方法為人工神經(jīng)網(wǎng)絡(luò)與模糊推理系統(tǒng)的一種融合模型——基于自適應(yīng)網(wǎng)絡(luò)的神經(jīng)模糊系統(tǒng)(ANFIS)。這是一種在模糊模型中采用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法作為工具從而提高自適應(yīng)性的一種新的建模方法。它也可作為一種具有普遍意義的遙感反演的非線性傳遞函數(shù),同時(shí)又克服了神經(jīng)網(wǎng)絡(luò)模型在知識(shí)利用與表達(dá)、初始參數(shù)的選取、結(jié)構(gòu)的自動(dòng)辨識(shí)等方面所遇到的困難。反演結(jié)果表明,神經(jīng)模糊系統(tǒng)的學(xué)習(xí)效率明顯高于神經(jīng)網(wǎng)絡(luò),總體反演精度可與采用Bayes 正規(guī)化和Levenberg-Marquardt 法訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型相比擬。反演結(jié)果以模糊規(guī)則表
【學(xué)位授予單位】：青島海洋大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2001
【分類號(hào)】：P714.1
【圖文】：

一個(gè)非線性激活函數(shù) f (也稱為激勵(lì)函數(shù)，激發(fā)函數(shù)或傳遞函數(shù))，如閾值Sigmoid 函數(shù)和雙曲正切函數(shù)等，它將神經(jīng)元的輸出幅度限制在一定范圍內(nèi)或(-1,1))。包括一個(gè)閾值kθ (或偏置項(xiàng)kkb = θ)。述神經(jīng)元模型的數(shù)學(xué)描述為：∑== njijijiIx1ω θ()iiy = fI起見，可增加一維輸入的維數(shù)，把偏置項(xiàng)θi也看作一個(gè)輸入，此時(shí)上式變成∑==njijijIx0ω ,100= x=iiω θ

各神經(jīng)元接受前一層輸入，并將結(jié)果輸出到下一層，沒有反饋（圖2.2）。前饋網(wǎng)絡(luò)的結(jié)點(diǎn)（神經(jīng)元）可分為兩類，即輸入單元和計(jì)算單元。每一計(jì)算單元可以有多個(gè)輸入，但只有一個(gè)輸出，其輸出可以耦合到任意多個(gè)其它結(jié)點(diǎn)作為它們的輸入。通常前饋網(wǎng)絡(luò)可分為不同的層，第 i 的輸入只與第 i-1 層的輸出相連。輸入輸出層的結(jié)點(diǎn)可直接與外界相聯(lián)，因此稱為可見層，而中間層與外界無直接聯(lián)系，通常稱為隱含層。前饋網(wǎng)絡(luò)主要功能是函數(shù)映射，因此在遙感研究中用于提取環(huán)境參數(shù)的主要為此類網(wǎng)絡(luò)。圖 2.2 前饋網(wǎng)絡(luò)結(jié)構(gòu)對(duì)反饋型網(wǎng)絡(luò)而言，所有結(jié)點(diǎn)都是計(jì)算單元，同時(shí)可接受輸入又可向外界輸出。反饋網(wǎng)絡(luò)按對(duì)能量函數(shù)極小點(diǎn)的利用可分為兩類：其一，能量函數(shù)的所有極小點(diǎn)都起作用，主要用作各種聯(lián)想存儲(chǔ)器；其二，只利用全局極小點(diǎn)，主要用于求解最優(yōu)化問題。這種網(wǎng)絡(luò)的動(dòng)態(tài)特性由非線性常微分方程組或差分方程組描述。人工神經(jīng)網(wǎng)絡(luò)具有向環(huán)境學(xué)習(xí)從而改善自身性能的能力。學(xué)習(xí)的本質(zhì)在于神經(jīng)元模型之間的可塑性連接，而如何調(diào)整連接權(quán)值構(gòu)成不同的學(xué)習(xí)算法。人工神經(jīng)網(wǎng)絡(luò)按學(xué)習(xí)方式可分為有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和再勵(lì)學(xué)習(xí)三大類。監(jiān)督學(xué)習(xí)又稱為有教師學(xué)習(xí)，即根據(jù)已知輸入輸出樣本集調(diào)節(jié)系統(tǒng)參數(shù)，如用于遙感參數(shù)反演的 BP 網(wǎng)絡(luò)等。非監(jiān)督學(xué)習(xí)又稱為無教師學(xué)習(xí)，即訓(xùn)練數(shù)據(jù)集中只有輸入而沒有目標(biāo)輸出，學(xué)習(xí)系統(tǒng)完全按照環(huán)境數(shù)據(jù)的某些統(tǒng)計(jì)規(guī)律來調(diào)節(jié)自身參數(shù)或結(jié)構(gòu)，以表示外部輸入的某種固有特性，如自適應(yīng)諧振理論(ART)等。再勵(lì)學(xué)習(xí)又稱強(qiáng)化學(xué)習(xí)，即外部環(huán)境只評(píng)價(jià)（獎(jiǎng)或罰）系統(tǒng)的輸出結(jié)果，學(xué)習(xí)系統(tǒng)通過強(qiáng)化那些受獎(jiǎng)勵(lì)的動(dòng)作來?

【引證文獻(xiàn)】

相關(guān)期刊論文 前1條

1 石愛業(yè);徐立中;楊先一;黃鳳辰;;基于知識(shí)和遙感圖像的神經(jīng)網(wǎng)絡(luò)水質(zhì)反演模型[J];中國圖象圖形學(xué)報(bào);2006年04期

相關(guān)博士學(xué)位論文 前1條

1 麻芳蘭;智能設(shè)計(jì)關(guān)鍵技術(shù)的研究及其在甘蔗收獲機(jī)械中的應(yīng)用[D];重慶大學(xué);2006年

本文編號(hào)：2721983