论文部分内容阅读
本文着重于将各种优化算法和人工神经网络等工具和方法应用于遥感图像分类这一研究领域，研究内容主要有以下两个部分：
第一部分，BP神经网络作为应用最广泛的人工神经网络，已经应用于包括遥感在内的各种领域，但其收敛速度较慢、容易陷入局部极小值，因此在遥感图像分类领域里并没有得到很好的实际应用效果。而Levenberg-Marquardt法、共轭梯度法、拟牛顿法、模拟退火算法等算法作为常用的优化算法，已经取得了很好的实用效果。本文讨论了BP神经网络在遥感图像分类中的一般性应用问题，尝试利用了上述优化算法来改进BP神经网络，并总结了不同优化算法对BP神经网络的改进效果。
第二部分，本文着重讨论了在遥感领域里很少用到的、但在其他领域里已取得成功应用的神经网络，如学习矢量量化神经网络，并试图论证这类神经网络在遥感图像分类领域中应用的可行性。学习矢量量化神经网络(LVQ神经网络)作为近几年来兴起的一种神经网络，以其聚类的思想和较高的识别精度而受到研究者的重视，但它也具有容易陷入极小值、对初值敏感等问题。本文利用遗传算法这一全局优化算法来改进LVQ神经网络对初值敏感的缺陷，并通过实验论证了LVQ神经网络在遥感图像分类中应用的可行性。
通过此次工作可以得到如下结论：
(1)在本文的分类实验中，LVQ神经网络能够成功地对遥感图像进行高精度的分类；经过优化算法改进后的BP神经网络和LVQ神经网络在总体分类精度上均要优于传统的最大似然法。
(2)共轭梯度法、拟牛顿法、Levenberg-Marquardt法能够加快BP神经网络的收敛速度；模拟退火算法和遗传算法能够在一定程度上避免BP神经网络和LVQ神经网络陷入局部极小值。
(3)样本大小和网络结构是决定神经网络分类精度的重要因素。在本文实验中，训练样本的大小对最大似然法的分类精度影响最小，对BP神经网络的分类精度影响次之，对LVQ神经网络的分类精度影响最大；对于BP神经网络而言，分类精度基本随着隐层结点的增多而小幅度的下降，而对LVQ神经网络而言，分类精度则随着隐层结点的增多而递增，但增加到一定程度之后便趋于稳定。