BP神经网络算法在卫星遥感影像地物分类中的应用

发布时间：2020-07-05 21:24

【摘要】：设置自然保护区的目地是为了保护独具特色的自然生态体系以及保护珍稀濒危野生动植物。具备相应的生态价值及科研意义,按照保护等级的差异,通常会设立核心区、实验区以及缓冲区三种不同分区。目前在自然保护区建设过程中对其地物分类予以研究是其建设工作的根本。自然保护区面积大、地形多样、地物类别众多,因而一般都会通过遥感方法监测其地物变化状况。伴随卫星传感器技术逐渐成熟,遥感技术水平也逐渐提升,遥感影像分辨率已经超过亚米级别。怎样把具备一定分辨率的遥感影像里充实的纹理和光谱信息使用至各个行业里,已然变成遥感应用领域中非常重要的问题。遥感目视解译方式存在一定缺陷,即耗费时间过长、工作量巨大,同时还存在主观性过强的问题。伴随人工智能相关技术的逐渐成熟,以人工神经网络为基础的分类机制逐渐开始应用于遥感分类工作之中。和人工目视解译的方式比较,更为客观、精确。为研究神经网络算法在遥感影像地物类中的应用,本文以友好国家级自然保护区高分一号原始影像数据为基础,在专业遥感信息处理平台ENVI上完成影像地物分类工作。首先对研究区域内的原始影像数据进行预处理,涵盖正射校正、辐射定标、数据融合、大气校正和图像裁剪等。然后对影像进行最优波段组合,提取影像光谱特征与灰度相关这一纹理特征作为后续分类的依据。神经网络算法属于一类以仿生学为基础模拟人类大脑运作的数学模型,具有较强的学习能力与分析能力,可以获取并分析影像里体现不同地物类别的光谱与纹理特征的差别,继而把遥感影像自动的划分为各种地物种类,可以大幅提高地物分类效率和精确度。接下来选取训练样本,搭建神经网络模型,训练神经网络结构,完成友好国家级自然保护区两期影像地物分类工作。最后通过误差矩阵对分类结论予以精度评定,同时探究各类功能区中各种地物的分布情况。通过实验发现获取到的2014年影像分类精度是94.1%,Kappa系数是0.901;2017年影像分类精度是94.25%,Kappa系数是0.916。研究证明神经网络算法应用于遥感影像地物分类时,分类精确度较高,达到地物分类应用的要求。
【学位授予单位】：东北农业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP183;TP751
【图文】：

图 3-2 Log-Sigmoid 函数曲线 图 3-3 Tan-Sigmoid 函数曲线Fig.3-2 Log-Sigmoid function curve Fig.3-3 Tan-Sigmoid function curve从上图可以看出，Sigmoid 函数是光滑可微函数。它将输入从负无穷大到正无穷围映射到（-1,1）或（0,1）的区间内，并将输出值限制为较小的范围。Sigmoid 函数特性使得它可以通过梯度下降法调整每层的权重。神经网络各层节点数由实际问题的需要而决定。在本文中，输入层节点的数量由的特征数量确定，并且输出层节点的数量由分类类别的数量确定。隐藏层中的节点数预先设置的允许误差确定，该误差是在重复实验后计算的。以下章节详细介绍了本文的确定。神经网络分类过程主要分为两部分。第一部分是样本学习和训练的过程，其中网学习建立分类规则。第二部分是模式识别和分类的过程。通过在第一部分中获得的分对遥感图像进行分类和识别。最重要的分类过程是学习过程的第一部分。BP 神经网络使用反向传播算法来学BP 网络中，数据从输入层到隐藏层一层一层地向后传播。当训练网络权重时，网络的重沿着减少误差的方向从输出层到中间层逐层前向校正。通过连续学习，最终误差变越小，直到预设训练次数或输出误差满足最小误差，训练结束。3.2.2 BP 神经网络的学习过程

图 3-2 Log-Sigmoid 函数曲线 图 3-3 Tan-Sigmoid 函数曲线Fig.3-2 Log-Sigmoid function curve Fig.3-3 Tan-Sigmoid function curve从上图可以看出，Sigmoid 函数是光滑可微函数。它将输入从负无穷大到正无穷围映射到（-1,1）或（0,1）的区间内，并将输出值限制为较小的范围。Sigmoid 函数特性使得它可以通过梯度下降法调整每层的权重。神经网络各层节点数由实际问题的需要而决定。在本文中，输入层节点的数量由的特征数量确定，并且输出层节点的数量由分类类别的数量确定。隐藏层中的节点数预先设置的允许误差确定，该误差是在重复实验后计算的。以下章节详细介绍了本文的确定。神经网络分类过程主要分为两部分。第一部分是样本学习和训练的过程，其中网学习建立分类规则。第二部分是模式识别和分类的过程。通过在第一部分中获得的分对遥感图像进行分类和识别。最重要的分类过程是学习过程的第一部分。BP 神经网络使用反向传播算法来学BP 网络中，数据从输入层到隐藏层一层一层地向后传播。当训练网络权重时，网络的重沿着减少误差的方向从输出层到中间层逐层前向校正。通过连续学习，最终误差变越小，直到预设训练次数或输出误差满足最小误差，训练结束。3.2.2 BP 神经网络的学习过程

研究区内原始影像的预处理区内原始影像的预处理区概况了友好国家级自然保护区作为研究目标，其位于小兴安岭山脉中部，南坡与北坡，属于黑龙江省伊春市管辖。伊春市被赞誉为红松故乡、系统种类是内流湿地以及水域生态系统，该区域面积为 60687hm2，具体128°10 15 128°33 25 ，北纬 48°13 07 48°33 15 ，参照图 4-1。区域资源和生境以及森林沼泽生态体系作为根本，其主要功能是资源保障游。保护区的保护目标是东北林区森林沼泽生态系统以及珍稀野生动保护区内地势平缓，河谷平坦广阔，河区发达，存在大范围的森林、

【相似文献】

相关期刊论文 前10条

1 李维斌;;神经网络算法在水泥生产线中的优化分析[J];四川水泥;2018年08期

2 刘念;王枫;;深度神经网络算法研究及应用[J];科技资讯;2017年27期

3 袁冬;林勇;;采用GA-BP神经网络算法改善压力传感器的稳定性[J];化工自动化及仪表;2015年11期

4 谢清秀;;计算机网络连接增强优化中的均场神经网络算法[J];数码世界;2017年02期

5 许炎骏;陈端端;;人工智能艺术领域阶段性应用调研报告[J];艺术学界;2017年01期

6 刘爱江;黄长慧;胡光俊;;基于改进神经网络算法的木马控制域名检测方法[J];电信科学;2014年07期

7 高坚;计算机网络连接增强优化中的均场神经网络算法[J];计算机工程;2003年09期

8 李雪景;吕雁岚;;基于神经网络算法的码头新型分缝结构优化研究[J];中国水运(下半月);2019年08期

9 汪永元;;基于BP神经网络算法的超高电梯投资分析[J];铁道勘测与设计;2017年02期

10 赵健;陶元芳;王爱红;许增杰;;BP神经网络算法用于专业机械快速设计[J];机械设计与制造;2019年07期

相关会议论文 前10条

1 邱永红;潘亚汉;;基于神经网络算法的自适应数字波束形成技术[A];'99系统仿真技术及其应用学术交流会论文集[C];1999年

2 陈玉敏;万幼川;;结合矢量的神经网络算法用于遥感影像分类研究[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 鄂雪妮;;移动网络质量客户投诉预警方法研究[A];2017全国无线及移动通信学术大会论文集[C];2017年

4 蔡冰清;徐思雅;亓峰;葛维春;周桂平;于波涛;;基于SA-BP神经网络算法的光接入网络通道质量评估方法[A];2017电力行业信息化年会论文集[C];2017年

5 热合木江;艾尼瓦尔·吐尔地;尼加提·吐尔逊;古丽·吐尔逊;胡得来提;;一种遗传神经网络算法及其在石油资源预测中的应用[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

6 耿兆丰;吴永敢;;基于神经网络算法的路经规划[A];1992年中国控制与决策学术年会论文集[C];1992年

7 严隽薇;朱柳明;萧蕴诗;;高阶关联神经网络算法研究[A];1996年中国智能自动化学术会议论文集（上册）[C];1996年

8 李勇刚;桂卫华;阳春华;蔡自兴;;基于神经网络算法的锌电解过程分时供电优化调度系统的研究[A];第二十届中国控制会议论文集（下）[C];2001年

9 朱喜林;孙海滨;;机械加工参数的模糊神经网络算法[A];面向制造业的自动化与信息化技术创新设计的基础技术——2001年中国机械工程学会年会暨第九届全国特种加工学术年会论文集[C];2001年

10 渠展展;王伟;刘峗甲;刘家亮;;改进粒子群-神经网络算法在中长期电力负荷预测中的应用[A];2017智能电网信息化建设研讨会论文集[C];2017年

相关重要报纸文章 前4条

1 科大讯飞股份有限公司市场部总经理 任萍萍;人工智能将在三大领域替代人类[N];经济参考报;2016年

2 黄鱼 遥歌 晓中 丛文 苏晓;细数人工智能的“新身份”[N];人民邮电;2017年

3 王浩;为药店追赶人工智能潮献策[N];医药经济报;2017年

4 郝卡伦;如何用神经网络算法开发人工智能软件[N];人民邮电;2019年

相关博士学位论文 前9条

1 曾U喺

本文编号：2743145