论文部分内容阅读
经历几十年的发展,遥感技术获得飞速的进步,广泛渗透到国民经济、国防建设各个领域,推动了环境监控与保护、资源开发和经济建设等。随着分辨率的不断提高,人们对遥感图像的信息处理能力需求越来越强烈,各种新理论新方法相继出现,对传统的计算机分类方法提出了新的要求。人工神经网络是最受关注的人工智能算法,在遥感图像分类领域表现出不错的成绩。 由于遥感图像数据的特性不同,至今还没有一种最普适和最优的分类算法。在了解人工神经网络(ANN)的理论知识与局限性的基础上,致力寻找更优的分类算法。当学习人工免疫系统和遗传算法时,找到将ANN和它们结合起来的改进点。本文围绕着遥感图像分类的目的,提出了基于人工神经网络的改进学习算法分类模型,分别是人工免疫网络RBF分类模型和免疫遗传SVM分类模型。主要完成的工作以及创新点概括为如下几个方面: (1)讨论了课题的研究目的,以及人工神经网络技术的局限与发展;分析了ANN在遥感图像分类应用上的现状;介绍了遥感图像分类的基本知识,以及分类算法的基本理论。 (2)主要针对RBF神经网络隐层中心难确定的问题,采用改进后的人工免疫网络来解决。发挥人工免疫网络算法优良的学习记忆能力,聚类的同时保持高的多样性,用于确定RBF神经网络的隐层中心,从而构建基于改进后的人工免疫网络RBF的分类模型。 (3)主要针对SVM参数的影响力,采用免疫遗传算法对参数进行优化。参数对SVM神经网络的性能影响极大,充分利用免疫遗传算法的搜索能力和调节能力来优化重要参数c和g,构建基于免疫遗传SVM的分类模型,达到不错的分类效果。 (4)实验设计部分,对于提出的优化分类模型先利用IRIS标准数据库进行验证性能。根据遥感图像数据的特性,分析特征融合是否必要,然后将改进算法应用于遥感图像分类中,并和其他同类算法进行对比。 本文采用LBP算法提取纹理特征。实验表明本文基于改进学习算法后的RBF、SVM神经网络在遥感图像分类的优势明显,值得进一步研究。