神经网络在遥感图像分类中的应用

神经网络是一种由大量简单处理单元广泛相互联接而成的非线性映射或自适应动力系统，它的出现为解决遥感图像分类中常见的难题提供了一种有效的方法。本篇论文针对神经网络在遥感图像分类中的应用进行了全面的介绍，并重点分析了遥感图像分类模型，并且对不同模型进行了对比分析。文章还利用EARDAS软件进行遥感图像分类实验，通过实验分析神经网络在遥感图像分类中的优势。作者还初步提出结合遗传算法和模糊理论的神经网络模型，并对神经网络在遥感图像分类领域的发展趋势进行了探讨。 在遥感图像分类领域，神经网络之所以能获得优于传统统计方法的分类结果，主要归因于其两大优势：一是不需要数据正态分布；二是能自适应模拟具有特定拓扑结构的复杂非线性模式。人工神经网络（ANN）的这些特性使其能有效地对遥感数据进行分类。 神经网络的组织结构通常包括输入层、隐含层和输出层。输入层可以包含单个训练像元的信息，例如不同波段的百分比光谱反射率及一些辅助信息，如高程、坡度等。网络中的每层由互相连接的节点（神经元）组成，网络训练时，信息可以流向多个方向，即发生向后传播。隐含层中神经元的连接权重，是通过训练过程中学习和保存的，这些权重用于后续的分类检验。输出层可能代表单个的专题图类别，如水体或林地。在训练阶段，网络需要样本数据进行训练学习，包括光谱信息及辅助信息，通过向后传播算法调整权重，反复迭代直至均方根误差减小至设定的允许值，训练过程结束。 神经网络的训练和验证（分类）过程涉及选择性已知分类信息的位置作为训练样区，并采集这些区域的像元光谱信息及辅助信息送入神经网络。与此同时，将真实目标值送入网络，神经网络根据学习到的权重进行分类。在分类阶段，神经网络使用存储在隐含层的权重来评价像元，生成每个输出神经元的预测值。这些值介于0到1之间，代表像元隶属度等级。通过局部最大函数去除模糊化，生成硬分类结果图。 神经网络的数学基础部分描述了神经元由输入、权重、处理单元和输出组成的机制。每个输入与对应的权重相乘，再累加偏置量形成净输入，净输入送往激活函数处理后，得到输出值。典型的神经网络包含至少三层结构，即输入层、隐含层和输出层。神经元间的连接可以是层内连接或层间连接，构成面向任务的网络。通过学习和回忆，人工神经网络能够重复或逼近决策过程。 论文中作者还提出了一种结合遗传算法和模糊理论的神经网络模型，这一模型结合了遗传算法的全局搜索能力和模糊理论处理不确定性问题的优势，可能为遥感图像分类提供更好的性能。同时，对神经网络在遥感图像分类领域的发展趋势进行了展望，随着技术的发展，未来的神经网络在遥感图像分类方面有望实现更高级别的智能化与自动化。