可华明[1]2007年在《基于GA的BP神经网络在遥感图像分类中的应用研究》文中研究指明遥感技术的不断发展为人们提供了多时相、多波段、多尺度的对地观测海量数据,遥感影像分类一直是遥感数据利用研究领域的重要内容。传统的遥感影像分类方法大都是利用建立在大量统计运算基础上的参数化统计分类器,其分类精度较低。本研究提出了一种遗传算法(GA)优化辅助的BP神经网(BPNN)分类方法,并成功应用于高原山地地区Landsat7ETM+遥感数据的土地利用/覆盖分类,并与传统的统计模式识别方法之一——最大似然法的分类精度进行比较分析。结果表明:(1)BP神经网络(BPNN)在一定程度上模拟了人脑的结构和智能行为。与传统的参数化统计分类器相比,BPNN网络输入数据对特征空间分布预先不需要假设某种参数化密度分布,尤其是当遥感数据特征很复杂、待分地类繁多、研究区地形条件复杂时,BPNN能获得更理想的分类结果。研究样区地类总体分类精度达到82.52个百分点,比最大似然法高出7.36个百分点,Kappa系数达到82.17%,达到了土地利用/覆盖分类要求。(2)BPNN训练收敛缓慢;易陷入局部极小,因而标准BP算法在实际应用中很难胜任,往往需要对其加以改进。改进方法中,共轭梯度法或变梯度算法,特别是其中的量化共轭梯度法(Scaled Conjugate Gradient),尤其在网络规模较大的场合,其性能很好,其速度几乎与启发式学习算法中的弹性梯度下降法一样快,并且其性能不像弹性梯度下降法随着目标误差的减小而下降得那样快。(3)遗传算法(GA)以概率选择为主要手段,擅于全局搜索,容易得到全局最优解或性能很好的次优解。GA与BPNN相结合,以便充分利用两者的长处,通过GA寻找BPNN的初始点,对隐层神经元数辅助决策,有助于克服网络的缺陷,能够提高网络的学习效率。(4)BPNN分类前对数据进行适当的预处理,如数据压缩、数据增强、降低各波段数据的相关性等,能够提高网络收敛速度和分类精度。(5)基于BPNN的遥感影像分类模型可以解决土地利用/覆盖分类问题,但仍然需要地形因子等地理信息、地学知识、专家知识的辅助决策支持,才能够有效提高BPNN分类识别精度。
段新成[2]2008年在《基于BP人工神经网络的土地利用分类遥感研究》文中研究说明遥感图像分类是遥感研究领域的一个重要内容,怎样解决多类别图像的分类问题,并且满足一定的精度,是遥感应用研究中一个关键问题,具有十分重要的现实意义。近年来,随着人工神经网络理论的发展,神经网络技术日益成为遥感图像分类处理的一个重要手段。本文首先分析了国内外遥感图像分类研究的最新进展,特别是人工神经网络理论。在此基础上采用BP人工神经网络分类方法,利用SPOT遥感影像,对北京颐和园地区进行土地利用分类研究。在分类前,对遥感影像进行了反差扩展、主成份变换和图像融合的预处理工作,综合考查地物的光谱特征,在对植被和水体信息提取的基础上进行了训练区的高精度选取;并且依据研究目的和影像特征,准确设计BP网络结构和设置网络训练参数。最后,通过误差矩阵以及采样方法进行精度分析,我们发现采用BP神经网络分类法的总体分类精度是91.90%,与最大似然分类法比较,总体精度提高了7%,Kappa系数也从80.32%提高到了89.84%。以上研究数据说明:①BP神经网络分类法是一种有效的分类方法,能够提高分类精度。②与传统方法比较,BP神经网络分类法有更好的自学习和自适应能力,有利于多源数据的综合研究,达到提高分类精度的目的。
范晓[3]2012年在《基于改进的神经网络在土地利用信息提取中的研究》文中进行了进一步梳理随着社会发展和人口的过度膨胀，人类对土地利用的改造程度不断加深，土地类型变化加速。如何快速识别土地利用类型，有效地进行土地分类，成为土地资源研究的重点问题，而遥感技术的快速发展为土地利用监测提供了便利。多层感知器前馈神经网络（BP网络）是应用最广泛的神经网络模型之一。然而标准BP网络具有收敛速度缓慢、训练过程易陷入局部极小值等问题。本论文依托MATLAB软件平台，对标准BP网络在网络结构和学习算法等方面进行改进，并在土地利用信息提取中实现。论文取得的研究成果如下。1）论文针对标准BP网络的局限性，从以下几个方面进行了改进：①对BP神经网络结构进行深入研究，提出采用黄金分割法与遗传算法结合寻求最优隐含层节点个数，并且获得网络初始化权重参数；②针对标准BP算法运算过程中收敛缓慢和局部极小值的问题，论文将现有各种改进算法进行归纳总结，对比各种改进算法的运算效率和内存需求，并通过实验确定弹性算法为最优学习算法；③为保证BP网络能够有效的学习，对输入数据统一进行规则化处理，同时对BP网络分类输出数据进行去模糊化处理；④探讨了影响BP网络泛化能力的因素和提高泛化能力的方法。2）通过对标准BP网络在网络结构、学习算法、泛化能力、数据处理等方面的分析和改进，提出了改进型BP神经网络在土地利用分类中的流程，并以RapidEye为遥感数据源，以北京市密云县露天采矿区为研究区域进行土地利用分类，取得了较好的效果。3）为了全面评价分类结果，论文将改进型BP网络与标准BP网络、极大似然法分类结果进行对比，从分类精度、分类效率和分类图美观度叁个方面分别进行定量评价。结果证明改进后的BP算法无论在分类精度、分类效率和分类图的美观可读性方面都具有优势，可以作为一个具有潜力的分类方法继续应用和研究。
蒋捷峰[4]2011年在《基于BP神经网络的高分辨率遥感影像分类研究》文中研究表明随着科学技术的发展,卫星传感器不断进步,现阶段遥感卫星已经能够采集亚米级别的高分辨率遥感影像数据。如何提取高分辨率影像中丰富的光谱与纹理地物信息,转化为科学研究成果并为国防、经济建设提供服务,已经成为遥感影像分类研究领域的一项关键课题。本文探讨了多层误差反向传播(BP)神经网络分类算法应用于高分辨率遥感影像分类研究。BP神经网络分类算法相比其他统计分类算法具有较强的学习能力,更容易结合遥感影像的纹理、光谱、坡度、坡向等信息对地物类别信息进行提取,在模式识别领域有着广泛的应用。但BP神经网络有着网络结构不易确定、自身学习速度慢、训练容易陷入误差平面局部极小值的缺点,因此本文针对这些缺点提出使用遗传算法确立网络结构、使用改变学习率与动量因子方法来加快训练学习速度,对BP神经网络算法加以改进,以期提升高分辨率遥感影像分类精度。本文以北京市四环内Quickbird高分辨率遥感影像作为基础实验研究数据,利用MATLAB软件进行改进BP神经网络程序开发,对影像研究区域进行地物分类研究,并使用误差矩阵对分类结果进行精度评价,再将精度结果与其他分类方法的精度结果进行比较,结果为改进BP神经网络分类算法的总体分类精度为93.4%,比传统BP神经网络提高了2.4%,比最大似然法提高了5.5％,比最小距离法提高了10.2%,比ISODATA法提高了20.2%。综上所述,基于改进BP神经网络的高分辨率遥感影像分类方法能够快速分类影像、并得到较高的分类精度。应用该方法对城市高分辨率遥感影像进行分类,获得一种适合城市地区同类地物的快速分类方法,从而辅助城市规划部门简便迅速的了解城市社会经济活动发展趋势,对城市土地资源规划以及合理利用进行指导。
陈巧燕[5]2017年在《基于BP神经网络和支持向量机的耕地质量评价方法研究》文中指出耕地质量是由各影响因子的特点和彼此的作用决定的,客观准确地评价耕地质量,对农业生产具有指导作用。与传统方法相比较,人工神经网络和支持向量机算法不需要确定权重,能够自动模拟各因子间的非线性关系,避免传统评价过程中在确定权重时的人为成分影响,进而客观地得到耕地质量等别信息。本文以福建省长泰县丘陵山地区为实证区,以MATLAB软件为操作平台,将有监督网络学习和无监督网络学习结合,通过无监督网络——自组织特征映射网络(SOM)筛选出2602组典型样本,分别进行有监督网络——BP神经网络和支持向量机(SVM)的学习训练,将有效土层厚度、有机质含量、坡度、田间道路通达度、海拔、土壤质地和灌溉保证率等7个指标作为输入变量,以耕地自然等指数和等别作为输出变量,分别建立BP神经网络耕地质量评价模型与SVM耕地质量评价模型。结果表明:两种模型均能满足耕地质量评价的精度要求,但综合来看,SVM模型较BP神经网络效果更好,更适合应用于耕地质量评价工作。该研究为耕地质量分等工作提供了新的技术思路。具体研究内容及结论如下:(1)以反向传播人工神经网络为耕地质量评价技术,将10225×7的数据矩阵标准化变换为[0,1]区间里的值,应用SOM聚类法选择2602组数据集作为训练样本,构建7:17:1的网络拓扑结构,进而训练网络。经分析,相对误差小于5%的图斑有2601个,相关系数为0.988,后验差比C为0.16,小误差频率P为0.99,对照精度标准表,结果属于高精度的等级,BP神经网络模型创建成功,可以应用此模型测算其余耕地图斑自然等指数,完成整个区域的耕地质量评价。与应用因素法的评价结果对比,4等地划分正确率为94%,5等地为87%,6等地为60%,9等地为100%,最终评价结果正确率为89%。(2)以支持向量机(SVM)为耕地质量评价方法,将样本数据集输入SVM分类学习器,运行学习器后,比较不同核函数的SVM模型精度,最终选择精确度高达98.9%的Cubic核函数SVM模型,将应用SVM法获得的结果与按传统方法评价的结果做比较,评价结果与实际值具有高度一致性,可将此模型应用于其他耕地图斑,划分耕地等别。与应用因素法的评价结果对比,4等地划分正确率为99%,5等地为98.5%,6等地为94%,9等地为100%,最终评价结果正确率为99%。(3)针对所建立的BP神经网络耕地质量评价模型和支持向量机耕地质量评价模型做进一步比较分析。将BP网络和SVM应用到耕地质量评价,两者整体上的学习能力均很强。应用3层BP神经网络,它拥有非线性变换能力强、大范围数据同时处理、自学习和自适应功能强等优点,将其应用到耕地质量评价,运行速度较快,精度较高,所建耕地质量评价模型泛化功能较强,可以对高维待测样本同时处理,鲁棒性较强。SVM在Cubic核函数的非线性变换作用下,将样本变换到一个高维的特征空间当中,并自动探寻区分能力强的支持向量,构造的分类器可以实现对未知样本类别的划定,具有很好的鲁棒性,不需要人工调整,计算也简单,分类结果准确,推广性能强。但是,BP神经网络隐含层节点数需要经过人工反复测试,才能得到最优参数,拓扑结构也较难以确定;而SVM模型在构建中自动实现参数的最优选择,能够减少人为干预影响。评价过程中,SVM收敛速率较快,用时更少。在精度上,两者均能满足耕地质量评价精度要求,但SVM评价模型精度高于BP神经网络模型,而且SVM泛化能力要高于BP神经网络。总结对照之下,SVM的效果更好,更适用于耕地质量评价。
郭小英, 何东健[6]2011年在《人工神经网络在农村土地利用分类中的应用》文中指出为克服传统方法在土地利用分类中的不足,提出了以Google Earth公开遥感图像为样本,在采用灰度共生矩阵方法提取图像纹理特征和利用主成分分析法进行特征优选的基础上,建立BP神经网络图像分类的遥感图像土地利用分类模型。以Matlab工具为平台对实验图像进行验证。结果表明:该分类模型分类总体精度达到88.00%,Kappa系数达到0.814 5,优于传统的最大似然分类方法,对农村资源规划与环境调查有较大帮助。
姜凤霞[7]2008年在《基于BP神经网络的城市扩张动态模拟和预测》文中研究指明城市扩张是一个动态的、非线性的、多反馈回路的复合系统,传统的线性、非线性系统辨识在理论研究和实际应用方面存在很大的局限性。BP神经网络具有通过学习逼近任意非线性影射的能力,将BP神经网络应用于非线性系统的建模与预测中具有明显的优越性。本文在充分借鉴国内外关于城市扩张和BP神经网络理论研究的基础上,以泰安市作为研究区域,研究城市扩张过程中土地利用的动态变化过程和规律,并取得了以下研究成果:利用ArcGIS软件对泰安市各个年代的城市土地利用图进行迭加分析,从土地利用结构变化、土地利用类型变化、不同时期建成区土地利用变化叁个方面揭示了研究区域城市扩张的规律。分析研究了自然地理、社会经济、人口发展、交通和土地政策5个方面的驱动因子对城市扩张影响,确定了影响城市扩张的主导因素。结合ArcGIS软件中的迭加分析和缓冲区分析功能,从自然地理和交通因子中提取了5个距离变量,4个邻域变量,并将社会经济、人口发展和土地政策矢量化,输出为栅格数据格式,参与城市扩张的动态模拟过程,提高了模拟精度,阐明了城市扩张与各种驱动因子之间的因果关系。通过分析利用MATLAB中的神经网络工具箱建立城市扩张预测模型的局限性和VB编程语言的优越性,提出了将MATLAB中的神经网络功能与Visual Basic 6.0进行集成建立城市扩张预测模型的方法,实现了VB的可视化界面与MATLAB强大的数据分析能力的结合,为城市土地利用规划和宏观调控提供了新的可操作性的理论和方法。运用建立的城市扩张模型,模拟了泰安市城市扩张的动态过程,预测了2010年的城市土地利用状况。给出了1980年～2010年的建成区迭加图,更加形象的揭示了泰安市城市扩张的过程和规律。
陈琨[8]2009年在《基于BP神经网络的土壤适宜性评价方法研究》文中进行了进一步梳理土壤适宜性评价的目的在于揭示土壤对不同农业用途的适宜性与限制性,为确定最适宜的用地方式提供依据。土壤的适耕性及其对作物的宜种性,是移民安置区土地整治开发与移民安置的基本条件之一,关系到安置区种植业发展方向、种植业模式、农业生产的发展水平、移民安置的数量和方式等重大问题。深入调查了解安置区内土壤的类型、性状并对其适宜性进行评价,可为移民安置区的土地利用提供科学依据。目前土壤适宜性评价实际工作所采用的传统评价方法存在一定的局限性和不合理性。因此,本文尝试将人工神经网络方法引入土壤适宜性评价,采用BP算法建立土壤适宜性评价模型并用于实际的移民安置区土壤适宜性评价,从而为土壤适宜性评价提供一种客观、准确的评价方法。本文在参阅前人研究成果的基础上,对土壤适宜性评价BP人工神经网络模型进行了叁方面的改进,其一是选择改进的L-M(Levenberg-Marquardt)学习规则作为BP神经网络训练函数,迭代循环较少次后训练误差收敛到最小,提高了网络训练速度;其二是对网络模型的专家样本(训练样本)进行了扩充,即在以国家制定的土壤质量标准所构成的训练样本的基础上,在每级临界值之间随机生成15组训练样本,从而提高了模型的鲁棒性和识别的准确性;其叁是采用基于黄金分割理论的优化算法对BP网络模型隐含层节点数进行了选优,快速确定了最优隐层节点数,从而提高了网络模型的性能。本文最终确定改进后的BP网络模型结构为9-7-1,训练均方误差为0.00033。将该模型运用于溪洛渡水电站移民安置区土壤适宜性评价,并与经验指数和法、偏最小二乘回归法的评价结果进行对比,结果表明:经验指数和法受人为主观因素影响较大,评价结果与另外两种方法的评价结果显着不同;BP神经网络的模型误差及评价误差均小于偏最小二乘回归法,即基于BP神经网络模型的土壤适宜性评价具有更高的精度。研究表明,本文建立的基于BP人工神经网络的土壤适宜性评价模型为土壤评价工作提供了一种简单、客观、实用的评价方法。
孟治国[9]2004年在《BP神经网络在土地利用分类中的应用分析》文中进行了进一步梳理遥感是一门新兴的科学技术，同时它也是一门集数学、地学、计算机科学和技术等多学科的综合学科。遥感图像分类技术是遥感技术的核心内容之一，随着遥感技术的应用日趋广泛和深化，利用遥感图像分类技术获得土地利用信息是其中的热门研究领域之一。特别是在大规模土地利用调查中，利用遥感技术及时掌握土地利用的情况及其变化信息，是进行土地利用总体规划、基本农田保护、土地利用用途管制等土地管理工作的必要条件。最初，利用遥感图像分类技术获取土地利用信息完全依靠人工目视解译。近二十年来，计算机遥感图像分类技术已取得了越来越广泛的应用，它是计算机模式识别技术在遥感领域中的具体应用，其核心任务就是确定不同地物类别间的判别界面和判别准则，可重复性好，定位准确，处理时间短，时效性好。然而，遥感影像数据类别多，含混度大，维数高，高精度的多类别分类识别具有较大难度。随着计算机软件水平的提高，遥感图像分类系统可以处理的资料也由单一遥感资料处理向多种遥感资料处理方向发展，可以接受和支持的图像格式也日趋多样化，处理技术逐步定量化、智能化。本文以地物电磁波反射特征作为信息分类提取的理论前提，以数字图像处理作为专题信息增强的手段，人机交互处理达到提取研究区土地利用分类的目的。这是本文进行土地利用分类研究所采用的思路。地物波谱特征的研究是遥感应用研究的物理基础，也是遥感土地利用分类的前提。大量有关土地利用的研究表明，同种土地利用类型都具有相同或相似的波谱曲线，同时不同的土地利用类型又具有不同的波谱特征。水域在TM1、2、3波段有较低的反射率，在TM4以后的波段上，反射率几近为零；受盐碱、泥沙等影响的水域则各个波段出现较高的反射率。这对于研究土地盐碱化是很有裨益的。植被在TM4、5、7波段有较高的反射率，在TM1、2、3波段反射率很低，在遥感图像上较易识别出来。由于是2月份成像的，在波谱特征上，水田与水体不易区分；但水田在TM4波段有较高反射率，区别于水体；且水田的几何分布是很有规律的。旱地在TM1-4波段反射率较高，在TM5、7波段，反射率逐渐降低，在TM7、4、2合成图像上，呈米黄色，且有规则的几何外形，也较易区分。由于是枯草季节，草地的波谱特征与黄沙近似，只是反射率较黄沙低；在图像上，草地呈大面积连续分布，有时与林地、旱地、盐碱地等间杂分布，使得草地的区分较为困难；在TM4、3、2合成图像上，呈青色。这些土地利用类型的波谱特征为进行土地利用分类提供了波谱理论基础。
王硕[10]2008年在《基于GIS-ANN-GM的生态适宜性分析》文中认为生态适宜性分析作为生态规划的核心组成部分同时也是区域环境影响评价的一个重要部分,是在调查搜集社会、自然要素资料并进行分析的基础上,对区域范围内土地资源的规划布局和理性评价,它实际上可根据区域环境的相对发展潜力和承载能力,指导区域生态环境功能的划分,从而将社会角度和生态角度结合在一起,对区域范围内各个小区域不同的资源利用方式给出最佳的选择与评价。在分析中综合考虑经济、生态、社会以及政策等因素,在此基础上能合理安排和布局区域内居住、工业、农业、交通等各项人类活动。同时生态适宜性分析也可以应用到对资源大量占用并对生态环境产生重大影响的基础设施建设的选址工作中。本文在综合分析众多土地生态适宜性分析方法的基础上,总结生态适宜性分析中存在的一些问题与不足,细致介绍了概率函数神经网络(PNN)、改进型误差反传递神经网络(IBP)应用于生态适宜性评价的方法的同时也创新性地提出了灰色模型(GM)以及地理信息系统(GIS)与前两种神经网络耦合技术应用于生态适宜性分析的技术方法体系,进而首次提出并建立了基于GIS-PNN-GM-IBP的土地生态适宜性分析模型,并将其应用在大连市土地生态适宜性分析的案例分析过程中,其分析评价结果与大连市相关土地利用规划进行对比具有一定的可靠性和准确性。该模型的提出在理论上主要解决了传统的权重加模糊综合评判法无法规避的主观影响问题,并通过GIS软件的应用简化了传统迭图法繁复的工作;实践上,通过本次生态适宜性分析评价结合大连市土地利用规划,对大连市叁种土地利用类型的发展方向提出了一些较为有益的建议。最后,在总结了目前生态适宜性领域存在的一些问题的同时,也分析了本文中对于大连市生态适宜性分析中的一些不足和缺陷,以期对其他相关研究人员提供一定的意见。
参考文献：
[1]. 基于GA的BP神经网络在遥感图像分类中的应用研究[D]. 可华明. 云南师范大学. 2007
[2]. 基于BP人工神经网络的土地利用分类遥感研究[D]. 段新成. 中国地质大学（北京）. 2008
[3]. 基于改进的神经网络在土地利用信息提取中的研究[D]. 范晓. 中国地质大学(北京). 2012
[4]. 基于BP神经网络的高分辨率遥感影像分类研究[D]. 蒋捷峰. 首都师范大学. 2011
[5]. 基于BP神经网络和支持向量机的耕地质量评价方法研究[D]. 陈巧燕. 福建农林大学. 2017
[6]. 人工神经网络在农村土地利用分类中的应用[J]. 郭小英, 何东健. 农机化研究. 2011
[7]. 基于BP神经网络的城市扩张动态模拟和预测[D]. 姜凤霞. 山东科技大学. 2008
[8]. 基于BP神经网络的土壤适宜性评价方法研究[D]. 陈琨. 四川农业大学. 2009
[9]. BP神经网络在土地利用分类中的应用分析[D]. 孟治国. 吉林大学. 2004
[10]. 基于GIS-ANN-GM的生态适宜性分析[D]. 王硕. 大连理工大学. 2008
标签：工业通用技术及设备论文; 自动化技术论文; 遥感影像论文; 土地利用分类论文; 神经网络模型论文; 网络模型论文; 分类数据论文; 特征提取论文; bp神经网络论文; bp算法论文;