小波神经网络的遥感图象分类

将小波和神经网络结合起来,提出一种自适应小波函数的神经网络。这种小波函数网络经过训练后,可应用于遥感图象的分类,其分类效果优于最大似然法。     

用于高光谱遥感图象分类的一种高阶神经网络算法

ＢＰ神经网络近年来广泛地应用于图象分类,但是它也有多层感知器神经网络的通病,即隐含层及其节点数问题,局部最小问题、训练速度问题等,为了从根本上解决这些问题,该文提出了一种高阶神经网络分类算法,这种高阶神经网络没有隐含层,从而也就没了隐含层及其节点数的问题;它的模式划分界面是 一性的,从根本上解决了局部最小问题;同时它的训练速度更快,分类精度更高,该文详细介绍了这种高阶神经网络的构造、学习方法、工分     

FasART模糊神经网络用于遥感图象监督分类的研究

说明了遥感图象数据的非线性性质，目视的图象分类实践是一个模糊推理的过程，模糊神经网络遥感图象分类符合其事物的内在规律，具有理论优势，分析了模糊ART，模糊ARTMAP和FasART模型的结构和原理，详细地阐述了FasART是一种基于模糊逻辑系统的神经网络，提出了一种简化的FasART模型，改变了一般遥感数据的模糊化方法，采用中巴资源一号卫星数据进行测试实验，结果表明，该简化的FasART模型能用于遥感图象的监督分类，其分类精度高于模糊ARTMAP神经网络和K均值算法，且性能稳定，有较好的抗干扰能力，尤其具有良好的处理两组相似程度比较接近的，和同组数据模式变化较大的非线性数据的能力。     

自联想神经网络的遥感图象主分量提取

提出了一种自联想神经网络的遥感图象主分量提取方法,这种方法可能应用于图象的压缩、特征提取和图象滤波中,实验结果表明：自联想神经网络算法简单、易于实现,其压缩效果与Ｋ－Ｌ变换相当。     

遥感图象分类的统计融合方法及性能分析

基于数据层的统计数据融合方法,以提高遥感图象的分类性能为目的,实现了一种新的可调参数的图象分类方法。用这种方法对ＴＭ图象和ＳＡＲ图象进行了一系列的实验,并对实验的结果进行了分析,从而得出关于数据层统计信息融合方法的有益的结论。     

多类别遥感图像的复合分类方法

多类别识别对于遥感图像分类的实用化具有重大意义。本文提出一种由多层神经网络与无监督分类相结合的复合分类方法。第一步用多层网络对几个大类进行有监督分类，第二步将网络输出作为无监督分类的输入，对遥感图像进行细分，使得可识别的类别数从原来的１０类提高到３０类。对ＳＰＯＴ遥感图像识别的结果表明，该算法能适应多类别识别任务的要求。     

一种多光谱遥感图象的自适应最小距离分类方法

该文提出了一种适用于多光谱遥感图象分类的自适应最小距离算法,这一算法通过对样本集合的自适应精细划分来调整最小距离分类器的参数,对ＴＭ遥感图象分类的实验结果表明,该方法对１６类数据进行有监督分类,精度可达９２．９％,适用于多类别遥感图象分类。     

采用神经网络和统计算法相结合的方式检测远程传感图象分类

检测远程传感图像分类的各种实验算法比较已在文献中作过报道,其中,神经网络与统计分类器的比较由作者Ｓｅｒｐｉｃｏ,Ｓ．Ｂ．,Ｂｒｕｚｚｏｎｅ,Ｌ．,Ｒｏｌｉ．Ｆ．发表在《Ｐａｔｔｅｒｎ Ｒｅｃｏｇ－ｎｉｔｉｏｎ Ｌｅｔｔｅｒｓ》上,实验结果清楚地显示,这种算法的优越性优于其他算法。另外,文章中还指出,统计算法与神经需要花费时间进行设计,以取得分类的高正确率,本文提出采用神经网络和统计算法相结合的方式     

RBF神经网络在遥感影像分类中的应用研究

用RBF神经网络进行遥感影像分类，在网络结构设计上使RBF层与输出层的节点数都等于所要分类的类别数。用Kohonen聚类算法确定RBF中心的时候，用训练样本的均值作为初始中心，并在RBF宽度进行求取的时候进行了改进，以避免内存溢出。所设计的RBF神经网络分类模型具有结构简单、算法简洁的优点。实验结果表明，该方法用于遥感影像分类取得了较高的分类精度，具有实际应用价值。     

基于模糊高斯基函数神经网络的遥感图像分类

针对遥感图像分类的特点,提出了一种基于模糊高斯基函数神经网络的遥感图像分类器。该分类器将模糊技术与神经网络相结合,采用神经网络来实现模糊推理,利用神经网络的学习能力来达到调整模糊隶属函数和模型规则的目的,从而使系统具备了自适应的特性,实验结果表明,这种基于模糊高斯基孙数神经网络的分类器经过训练后,可应用于遥感图像的分类,其分类精度明显高于传统的最大似然分类法。     

基于深度神经网络的遥感图像分类算法综述

准确、高效的遥感图像分类是遥感图像解析的重要研究内容之一。近年来,随着机器学习技术的发展,深度神经网络日渐成为一种有效的遥感图像分类处理方法。分析了遥感图像分类目前存在的一些问题,并简要阐述了几种典型的深度神经网络的原理结构;然后根据遥感图像分类的研究现状和深度神经网络对遥感图像分类的研究现状,总结了深度神经网络在遥感图像分类技术应用中的发展趋势。     

基于径向基函数(RBF)映射理论的遥感影像分类模型研究

与传统统计方法的分类器相比较,人工神经网络（ＡＮＮ）方法应用于遥感影像分类,不需预先假设样本空间的参数化统计分布,具有复杂的映射能力。大多数ＡＮＮ分类器采用误差反向传播（ＢＰ）学习算法的多层感知器模型（ＢＰＮＮ）,其主要缺陷是学习速度缓慢、容易陷入局部极小而导致难以收敛等。基于径向基函数（ＲＢＦ）映射理论的神经网络模型融合了参数化统计分布模型和非参经线性感知器映射模型的优点,在实现快速学习的同时,     

基于改进胶囊神经网络的遥感影像分类

针对遥感影像卷积神经网络（CNN）分类会导致特征信息丢失及泛化能力差的问题,提出一种基于通道注意力和混合注意力改进的胶囊神经网络分类模型。首先,为了胶囊神经网络能够适应于大尺寸输入图像,在特征提取模块中使用2个最大池化层;其次,为了提高分类精度,分别将SENet注意力和CBAM注意力加在特征提取模块的最后一层去改进特征提取模块;最后,将样本集随机地划分为训练集、验证集和测试集,进一步使用训练集和验证集训练模型,测试集测试模型,使用AID数据集对模型分类的泛化能力进行验证。实验结果表明:基于SENet网络改进的胶囊神经网络的准确率与Kappa系数要高于其他模型,泛化能力也优于其他模型,本文提出的模型的总体分类精度和泛化能力有了显著性提升,从而验证了本文方法的可行性和使用性。     

基于自组织神经网络的遥感图像分类应用研究

在地形复杂地区,采用传统的遥感分类方法进行土地利用遥感分类很难获得理想的精度。针对遥感图像分类的特点,根据自组织竞争神经网络的生物学基础、基本结构和学习算法,利用Matlab平台构建自组织神经网络,对地形复杂区的ETM 遥感图像通过500次训练使网络收敛后,仿真输出分类图。结果表明,基于自组织神经网络的分类器经过训练后,可用于遥感图像的分类,其分类精度明显高于传统的最大似然法。     

RBF网络分类器的实现及应用

径向基函数神经网络通过中间层神经元的非线性传递,能够实现任意的从输入空间到输出空间的映射,因此大都用于目标分类。本文利用快速聚类和统计的方法确定网络的中间层及中间层到输出层间的权值,并把构造的分类器用于遥感图象目标分类识别实验,取得了比较好的结果。     

基于粗糙集约简的神经网络集成及其遥感图像分类应用

为降低集成特征选择方法的计算复杂性,提出了一种基于粗糙集约简的神经网络集成分类方法。该方法首先通过结合遗传算法求约简和重采样技术的动态约简技术,获得稳定的、泛化能力较强的属性约简集;然后,基于不同约简设计BP网络作为待集成的基分类器,并依据选择性集成思想,通过一定的搜索策略,找到具有最佳泛化性能的集成网络;最后通过多数投票法实现神经网络集成分类。该方法在某地区Landsat 7波段遥感图像的分类实验中得到了验证,由于通过粗糙集约简,过滤掉了大量分类性能欠佳的特征子集,和传统的集成特征选择方法相比,该方法时间开销少,计算复杂性低,具有满意的分类性能。     

TM图像多层神经网络自动识别分类

以利用TM图像自动识别金华市婆城区土地利用为例，介绍了多层神经网络遥感模式识别方法的概念、特点及其在TM图像自动识别分类中的应用，并与最大似然法分类结果进行了比较。通过研究认为，无论在分类速度、精度、还是总体效果上看，神经网络分类都优于最大似然法分类。     

重复传播网络的改进及其在遥感分类中的应用研究

对重复传播网络在权值初始化、网络学习进行修改,实现在一定警戒条件下竞争层节点的动
态分配,并在遥感分类上进行实验。重复传播网络中学习次数影响了竞争层节点数目和学习精度,
学习精度随学习次数的增加而有限度的增加;警戒参数决定了节点调整的搜索范围,随学习过程进
行,节点搜索范围变小,保证了分类精度和网络的稳定性;两层竞争层结构分类精度要优于单层,其
总精度和Kappa系数分别提高1.1%,0.02。实验结果表明该方法是一可行的遥感分类方法。