神经网络及其组合算法的遥感数据分类研究

【摘要】：随着多波段，多分辨率遥感数据的增加和应用质量的不断提高，需要开发更加有效的遥感数据分类算法，当前图像处理软件中的统计分类方法是以参数假设为约束条件，需要数据分布服从高斯分布。但多数的遥感数据的分布并不服从高斯分布的假设条件，因而导致分类精度不高的原因之一。因此，本文以非线性理论为指导，探索了以SOFM神经网络分类方法、改进的模糊数学方法和粗糙集方法以及小波变换与SOFM结合、粗糙集方法与BP网络结合的遥感数据组合分类方法和软件实现。 论文共包括七章内容。 第一章介绍了神经网络理论的研究现状及其在遥感数据分类中的进展，然后分析了神经网络分类方法与其它非线性现代数学方法相结合的必要性。第二章介绍了神经网络的结构、学习规则和主要的神经网络类型。第三章简要介绍了神经网络中的BP算法，在对算法原理的理解的基础上，成功实现了非同源数据的BP算法分类。第四章集中研究了20世纪90年代发展起来的粗糙集理论及容差粗糙集算法，以及探索了将容差粗糙集应用到遥感数据的预处理中，评价了容差粗糙集作为预处理功能对BP网络分类收敛问题有效作用和精度的提高。第五章介绍了自组织特征映射神经网络(SOFM)算法与矢量量化学习算法；同时考虑到现在资源卫星采用的高分辨率的全色波段和较低分辨率的多光谱波段结合的发展趋势，研发了小波融合与SOFM分类的组合方法，取得了比较好的效果。第六章非监督分类方法由于人为干扰少经常被用在不同时期的遥感信息变化检测中，但是常用的K-均值算法是一种硬划分聚类方法、模糊c-均值算法是欧氏距离(等轴空间聚类)这两种算法在遇到混合像元和多波段数据分布是非等轴空间时，算法的有效性和适用前提受到挑战。根据这种情况，研究提出了改进的模糊c-均值算法(Mahalanobis距离)，本章还将聚类结果与K-均值算法和模糊c-均值算法进行了对比分析：根据实践经验，从理论上还提出了改进的模糊c-均值算法的聚类结果可用来求RBF神经网络隐层各节点的高斯核函数的中心值和标准化常数，从而提高RBF神经网络的分类精度的设想，是今后努力的方向之一。 第七章为结论部分。 本论文的方法创新点归纳为: 1.深入研究了自组织特征映射神经网络(S OFM)遥感数据分类万法原理， 即方法可以把多维空间数据按其内在拓扑性质不变地映射到低维空间，并且在其 低维空间的拓扑映射图上容易地可视化判定分类结果的好坏，从这个原理出发提 出了小波变换局部高频替代融合算法与自组织特征映射神经网络结合的遥感数 据分类方法，此方法可以充分挖掘多波段数据所提供的空间和光谱信息，显著提 高分类结果。 2.利用容差粗糙集能够有效去除训练数据中的噪声功能与BP网络结合可 以在一定程度上解决BP网络收敛问题和提高网络的分类精度。 3探索了粗糙集理论和方法在处理遥感数据中的应用可能性，提出了采川 只满足自反性和对称性关系的容差粗糙集遥感数据分类预处理算法:首先对所有 数据按下近似集分类，然后对第一步没有分类的数据按其从上近似集得到的粗糙 隶属度进行分类。 另外，本论文还有以下特色: 4.根据亚洲沙尘暴项目的需要，研究了利用神经网络对遥感数据和气象台 站数据(非同源数据)的分类尝试，扩展了神经网络分类的应用。 5.根据当前资源卫星数据的全色波段与多光谱结合的特点(分辨率一般为 1/2)，提出了小波变换局部高频替代融合算法有效提高了多光谱波段的空间分辨 率。 6.提出了改进的模糊c一均值聚类方法，它是采用基于标准协方差矩阵的 Mahalanobis距离，即椭球体聚类方法，这种聚类算法更接近遥感数据的实际情 况，从而可以显著提高聚类效果而且也为RBF神经网络能够更准确地选取高斯 核函数的参数提供了一个新的算法。