阐述基于BP神经网络遥感图像特点分类策略

摘要5-6

Abstract6-8

目录8-11

Contents11-14

1 引言14-19

1.1 课题背景14

1.2 国内外探讨近况14-16

1.3 BP网络分类的基本原理16-17

1.4 本论文的探讨目的和工作内容17-19

2 神经网络基本原理19-31

2.1 人工神经网络概述19

2.1.1 生物学基础19

2.2 神经网络模型19-21

2.2.1 数学模型20

2.2.2 基函数以及激活函数20-21

2.3 神经网络的拓扑结构21-23

2.3.1 BP神经网络21-22

2.3.2 反馈神经网络22-23

2.4 神经元的学习形式23-24

2.4.1 Hebb学习算法23

2.4.2 最速下降法23-24

2.5 典型的神经网络模型24-27

2.5.1 RBF神经网络24-25

2.5.2 Hopfield神经网络25-26

2.5.3 SOFM神经网络26-27

2.6 BP神经网络原理27-30

2.6.1 BP算法27-30

2.7 本章小结30-31

3 遥感图像原理及分类策略31-39

3.1 遥感图像概述31-33

3.2 传统的方式策略33-36

3.3 句法方式分类策略36-37

3.4 分类策略的评价37-38

3.5 本章小结38-39

4 遥感图像预处理中的相关技术39-57

4.1 概述39

4.2 遥感图像一般处理历程39-42

4.2.1 图像的数字化处理40-41

4.2.2 图像数据预处理41-42

4.2.2.1 图像降噪41-42

4.3 遥感图像特点提取42-46

4.3.1 图像的光谱特点的提取43-44

4.3.2 遥感图像纹理特点的提取44-46

4.4 遥感图像处理的数据融合技术46-48

4.4.1 像素级数据融合46-47

4.4.2 特点级数据融合47-48

4.4.3 决策级数据融合48

4.5 光谱特点与纹理特点的融合48-53

4.6 分类效果评价策略53-56

4.7 本章小结56-57

5 改善算法的分类结果及评价57-71

5.1 遗传算法57-59

5.2 GA-BP神经网络分类器59-63

5.2.1 分类器概述59-60

5.2.2 GA算法训练60-63

5.3 BP网络平台63-65

5.465-69

5.4.1 BP网络对遥融合图像的训练效果65-68

5.4.2 GA-BP网络对融合图像的训练效果68-69

5.5 分类结果评价69-70

5.6 本章小结70-71

6 总结71-73