基于BP神经网络的京津冀典型地物分类系统.docx

上传人:王** 文档编号:807272 上传时间:2024-01-16 格式:DOCX 页数:31 大小:400.71KB
下载 相关 举报
基于BP神经网络的京津冀典型地物分类系统.docx_第1页
第1页 / 共31页
基于BP神经网络的京津冀典型地物分类系统.docx_第2页
第2页 / 共31页
基于BP神经网络的京津冀典型地物分类系统.docx_第3页
第3页 / 共31页
基于BP神经网络的京津冀典型地物分类系统.docx_第4页
第4页 / 共31页
基于BP神经网络的京津冀典型地物分类系统.docx_第5页
第5页 / 共31页
基于BP神经网络的京津冀典型地物分类系统.docx_第6页
第6页 / 共31页
基于BP神经网络的京津冀典型地物分类系统.docx_第7页
第7页 / 共31页
基于BP神经网络的京津冀典型地物分类系统.docx_第8页
第8页 / 共31页
基于BP神经网络的京津冀典型地物分类系统.docx_第9页
第9页 / 共31页
基于BP神经网络的京津冀典型地物分类系统.docx_第10页
第10页 / 共31页
亲,该文档总共31页,到这儿已超出免费预览范围,如果喜欢就下载吧!
资源描述

《基于BP神经网络的京津冀典型地物分类系统.docx》由会员分享,可在线阅读,更多相关《基于BP神经网络的京津冀典型地物分类系统.docx(31页珍藏版)》请在优知文库上搜索。

1、地物分类对城市规划和资源管理至关重要,但是传统统计方法进行的遥感影像分类存在“同物异谱”或者“异物同谱”的问题,为了使遥感影像分类高效、准确,本文通过构建一个基于BP神经网络的分类模型,对京津冀地区的典型地物数据集进行分类研究。研究过程中首先对京津冀地区landsat8OLl遥感影像数据进行了辐射定标、大气校正、图像融合,对京津冀遥感影像数据集进行光谱特征和纹理特征提取,将地物划分为耕地、建筑物、水体道路、林地、裸地,并创建标签数据集,并将数据集以7:3的比例划分为训练集和测试集作为本研究的数据集,搭建并初始化BP神经网络分类模型进行分类。为了最小化分类误差,本研究使用梯度下降法与自适应学习率

2、相结合的方法优化BP神经网络,并对结果进行混淆矩阵运算。最后,使用搭建成功的模型进行京津冀地区的分类,并进行可视化界面的开发与展示。为了更好的评估本模型的性能,将BP神经网络京津冀地物分类模型进行混淆矩阵的计算发现模型分类准确率为79%,对选取的典型地物耕地、建筑物、水体、道路、林地、裸地的分类准确率分别为72%、90%、94%、71%、73%,对比传统监督分类中的最小距离准确率69%和最大似然分类结果准确率76%,发现BP神经网络模型在京津冀地区典型地物分类的任务中表现出较好的性能,且对于水体、建筑物有较好的分类效果。本研究的分类结果对于解决京津冀地区的地物分类问题具有重要意义,可以为京津冀

3、城市规划和资源管理提供精确的信息,有助于决策制定和资源分配,为进一步改进和优化相关技术提供了有益的参考。关键字:BP神经网络地物分类京津冀地区模型评估AbstractContentclassificationisveryimportanttourbanplanningandresourcemanagement,butthetraditionalstatisticalmethodofremotesensingimageclassificationisspectrum,orforeignbodyspectrumproblem,inordertomaketheremotesensingimagecl

4、assificationefficientandaccurate,thispaperbybuildingaclassificationmodelbasedonBPneuralnetwork,classificationresearchoftypicalfeaturesdatasetofBcijing-Tianjin-Hebeiregion.IntheprocessofresearchontheBeijing-Tianjin-Hebeiregionlandsat8OLIremotesensingimagedataradiationcalibration,atmosphericcorrection

5、,imagefusionandofBeijing-Tianjin-Hebeiremotesensingimagedatasetspectralfeaturesandtexturefeatureextraction,thefeaturesintocultivatedland,buildings,waterroad,forestland,bareland,andcreatelabels,datasetandtrainingsetandtestsetas7:3ratio,setupandinitializeBPneuralnetworkclassificationmodelforclassifica

6、tion.Tominimizetheclassificationerror,thisstudyusedthecombinationofthegradientdescentmethodwiththeadaptivelearningratetooptimizetheBPneuralnetworkandperformtheconfusionmatrixoperationontheresults.Finally,thesuccessfulmodelwasusedtoclassifytheBeijing-Tianjin-Hebeiregion,andthevisualizationinterfacewa

7、sdevelopedanddisplayed.Inordertobetterevaluatetheperformanceofthemodel,theBPneuralnetworkofBeijing-Tianjin-Hebeifeaturesclassificationmodelcalculationconfusionmatrixfoundmodelclassificationaccuracyof79%,toselecttypicalfeaturesofland,buildings,water,roads,woodland,bareland,72%,90%,94%,71%,73%,compare

8、dwiththetraditionalsupervisionclassificationoftheminimumdistanceaccuracyof69%andmaximumlikelihoodclassificationaccuracyof76%,foundthatBPneuralnetworkmodelintheBeijing-Tianjin-Hebeiregiontypicalfeaturesclassificationtaskshowedgoodperformance,andforhasagoodclassificationeffectofwaterandbuildings.Thecl

9、assificationresultsofthisstudyareofgreatsignificanceforsolvingthelandclassificationproblemintheBeijing-Tianjin-Hebeiregion,andcanprovidepreciseinformationforurbanplanningandresourcemanagementintheBeijing-Tianjin-Hebeiregion,contributetodecisionmakingandresourceallocation,andprovideausefulreferencefo

10、rfurtherimprovementandoptimizationofrelatedtechnologies.Keywords:BPneuralnetworkClassificationofearthobjectsBeijing-Tianjin-HebeiregionModelevaluation摘要IAbstractII第1章绪论11.1 研究背景及意义11.2 国内外研究现状I1.3 本文贡献21.4 论文结构3第2章研究区和研究方法42.1 研窕区介绍42.2 技术路线42.3 数据预处理42.3.1 辐射定标和大气校正62.3.2 图像融合和裁剪72.4 特征提取92.5 本章小结1

11、0第3章软件设计113.1 软件开发环境113.2 软件功能113.3 软件测试133.4 本章小结14第4章模型构建与优化154.18 P神经网络介绍151.1.1 BP神经网络理论及结构151.1.2 BP神经网络优势151.1.3 数学推导164.2 BP网络结构及参数设置174.3 BP网络优化184.3.1 梯度下降法184.3.2 自适应学习率法194.4 本章小结20第5章分类结果与分析215.1 训练结果分析215.2 分类结果分析215.3 本章小结23第6章结论和展望256.1 研究成果总结256.2 展望25致谢2627参考文献第1章绪论1.1 研究背景及意义遥感技术是一

12、项依靠电磁波完成地物探测的技术手段,不段增长的人口危机和环境破坏问题也成为人类可持续发展道路的一大难题,这也人们对地球资源环境的探索也不断深入,人们必须通过技术手段来获取地球能源信息。而现在,计算机技术和空间技术的发展,人类航天技术和卫星技术的不断进步,人们能够获取到的关于地球的遥感影像数据越来越多,越来越丰富,如何处理这些急剧增长的数据量也成为难点。遥感影像的分类是遥感技术应用中的重要一环,是研究地区发展和地理信息的重要参考技术,对于地图测绘、目标识别、军事领域都具有重要研究价值和意义。但是,采用传统的遥感影像分类方法进行分类的遥感影像仍然存在许多的问题,“同物异谱”和“异物同谱”的问题层出

13、不穷。同时.,随着遥感数据获取手段的加强,需要处理的遥感信息量急剧增加,使得遥感影像分类的过程更加艰难。近几十年,随着我国遥感工作者持续不断的努力,中国的遥感技术已经取得了世界级的成果。遥感技术的飞速发展和遥感影像数据的规模化也使得遥感技术被广泛应用于国民经济发展的各个方面,如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等,形成了适合中国国情的技术发展和应用推广模式。20世纪以来,国内外工作者不断改进遥感影像分类方法,将其与神经网络、机器学习相结合,探索创造出了许多更加高效、准确的遥感影像分类方法,这也成为推动遥感分类技术发展的巨大动力。人工神经网络作为一种强

14、大的机器学习算法,在模式识别和分类任务中具有广泛应用131O本文的研究正是基于人工神经网络中的BP神经网络,旨在解决京津冀地区典型地物分类问题。通过本次研究,可以提高京津冀地区典型地物分类的准确性,为相关领域的决策提供准确的基础数据支持。1.2 国内外研究现状人工神经网络是模拟人类审题头脑和神经网络组织进行抽象思考和仿真,对数据进行处理的模式,1943年由心理学家WarrenMcCulloch和数理逻辑学家WalterPitts提出的MP模型(单层感知网络)做为最初的神经网络,为人工神经网络的发展奠定了基础产。但是随着人们对人工神经网络的深入研究,人们发现它存无法处理非线性问题的不足。解决非线

15、性问题的唯一途径是采用多层前馈网络,即在输入层和输出层之间加上隐含层,构成多层前馈感知器网络。1986年由Rumelhart和McClelland为首的科学家提出的BP(BackProPagation)神经网络概念,是一种按照误差逆向传播算法训练的多层前馈神经网络,具有任意复杂的模式分类能力和优良的多维函数映射能力,解决了简单感知器不能解决的异或(EXCklSiVeOR,XoR)和一些其他问题,解决了多层神经网络隐含层连接权学习问题,并在数学上给出了完整推导。人们把采用这种算法进行误差校正的多层前馈网络称为BP网络,BP网络常应用于模式识别,回归预测等,是应用最广泛的神经网络模型之一。1992

16、年,人工神经网络被KanenoPOUlOS应用于SPoT图像分类,将其分类了20个对象并将分类的结果与其他方法进行比较,证实人工神经网络应用于图像分类具有良好的效果,2001年J.Zhang使用神经网络对进行郊区土地覆盖检测并表明了其优于传统统计方法;2010年Gonzalo等人将纹理特征与Hopfiled神经网络结合进行分类,分类精度达到89%近几十年来,在我国,人工神经网络在图像识别,土地分类等领域取得了显著的成果,2000年贾永红将人工神经网络应用于多源遥感影像分类中,证实了人工神经网络在遥感影像分类中的良好效果.;2007年,赵泉华,宋伟基等人提出分形纹理的BP神经网络遥感影像分类,同样取得较好的结果,20016年曹兆伟等人对

展开阅读全文
相关资源
猜你喜欢
相关搜索

当前位置:首页 > 论文 > 毕业论文

copyright@ 2008-2023 yzwku网站版权所有

经营许可证编号:宁ICP备2022001189号-2

本站为文档C2C交易模式,即用户上传的文档直接被用户下载,本站只是中间服务平台,本站所有文档下载所得的收益归上传人(含作者)所有。装配图网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对上载内容本身不做任何修改或编辑。若文档所含内容侵犯了您的版权或隐私,请立即通知装配图网,我们立即给予删除!