基于人工神经网络的遥感图像自动分类.ppt

结果图 * */79 4.2基于BP神经网络分类 BP 神经网络采用误差反传学习算法，它使用梯度有哪些信誉好的足球投注网站技术，实现网络的实际输出与期望输出的均方差最小化。在这种网络中，学习过程由正向传播和反向传播组成。在正向过程中，输入信号从输入层经隐层单元逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转向反向传播，将输出的误差按原来的连接通路返回。通过修改各层神经元的权值，使得误差信号最小。得到合适的网络连接值后，便可对新样本进行非线性映像。 * */79 4.2基于BP神经网络分类 * */79 分类后图像 原图像 4.2基于BP神经网络分类 * */79 4.2基于BP神经网络分类 BP 算法的限制与不足： 虽然反向传播算法得到广泛应用，但它也存在自身的限制 与不足，主要表现： （1）训练时间长； （2）网络出现麻痹现象，从而使得对网络权值的调节过程 几乎停顿下来，完全不能训练； （3）易陷入局部极小值而不能收敛到全局最优。 * */79 4.2基于BP神经网络分类 * */79 4.2基于BP神经网络分类 * */79 内容安排 一、人工神经网络 二、遥感图像自动分类 三、人工神经网络分类器 四、基于ANN的遥感图像自动分类试验 五、总结 * */79 5.总结 人工神经网络是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，是从微观结构与功能上对人脑神经系统的模拟而建立起来的一种数据分析处理系统。 具有模拟人的部分形象思维能力，其特点主要是有自学习、自适应和自组织能力。 具有容错特性并且无须就概率模型作出假定，适用于空间模式识别的各种问题的处理。 因此人工神经网络技术正在被越来越普遍应用于遥感图像的分类研究。 * */79 * */79 * 感知器神经网络应用举例 两种蠓虫Af和Apf已由生物学家W.L.Grogan与w. w.Wirth(1981) 根据它们触角长度和翼长中以区分。 见下表中9Af蠓和6只Apf蠓的数据。 根据给出的触角长度和翼长可识别出一只标本是Af还是Apf。 1．给定一只Af或者Apf族的蠓，你如何正确地区分它属于哪一族？ 2．将你的方法用于触角长和翼中分别为（1.24,1.80）、 （1.28,1.84）、(1.40,2.04)的三个标本 。 Af 触重长 1.24 1.36 1.38 1.378 1.38 1.40 1.48 1.54 1.56 翼 长 1.72 1.74 1.64 1.82 1.90 1.70 1.70 1.82 2.08 Apf 触角长 1.14 1.18 1.20 1.26 1.28 1.30 翼 长 1.78 1.96 1.86 2.00 2.00 1.96 * */79 1.感知器神经网络 输入向量为： p=[1.24 1.36 1.38 1.378 1.38 1.40 1.48 1.54 1.56 1.14 1.18 1.20 1.26 1.28 1.30;1.72 1.74 1.64 1.82 1.90 1.70 1.70 1.82 2.08 1.78 1.96 1.86 2.00 2.00 1.96 ] 目标向量为：t=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0] 图形显示，目标值1 对应的用“+”、目标 值0对应的用“o”来 表示： plotpv(p，t) * */79 1.感知器神经网络 1.为解决该问题，利用函数newp构造输入量在[0，2.5]之间的感知器神经网络模型：net=newp([0 2.5；0 2.5]，1) 2.初始化网络：net=init(net) 3.利用函数adapt调整网络的权值和阀值，直到误差为0时训练结束：[net, y, e]=adapt(net, p, t) 训练结束后可得 如左图的分类方 式，可见感知器 网络将样本正确 地分成两类。 Neural Network Toolbox * */79 1.感知器神经网络 感知器网络训练结束后，可以利用函数sim进行仿真， 解决实际的分类问题： p1=[1.24;1.80] a1=sim(net,p1) p2=[1.28;1.84] a2=sim(net,p2) p3=[1.40;2.04] a3=sim(net,p3) 网络仿真结果为： a1=0 a2=0 a3=0 * */79 1.感知器神经网络 线性神经网络的主要用途是线性逼近一个函数表达式，具有联 想功能。另外，它还适用于信号处理滤波