遗传神经网络算法在激光遥感监测海面溢油中的应用

论文摘要

文章通过分析当前激光遥感系统的现状和流行的海面溢油监测技术,深入的阐述了基于激光诱导荧光的遥感识别技术,并结合人工智能算法,建立了应用于多通道光谱数据的海面溢油种类识别的数学模型。 作者在本次实验中分别引入了误差逆向传播神经网络和遗传神经网络两种人工智能学习算法。通过对实验结果的分析,发现通过整合遗传算法和具有梯度下降能力的误差逆向传播神经网络学习算法,一方面充分利用了遗传算法的全局寻优能力,避免了陷入局部最小值的问题而且还使神经网络的连接权值得到了优化,从而进一步提高了对溢油种类特征提取的准确程度。另一方面,神经网络的扩展能力极大的减小了遗传算法对样本种群数量、交叉和变异概率等的影响,提高了实验的数据映射范围,使得实验更具有普遍性和代表性。 对比实验中以30组64通道待定物质的激光诱导荧光溢油光谱样本作为网络的输入矢量,10种已确定物质的光谱数据作为网络的目标矢量,分别对误差逆向传播神经网络和遗传神经网络2种网络模型进行训练,并对实验结果做对比数据分析。实验结果表明:遗传神经网络算法,在多光谱数据智能分析及海面溢油识别方面具有良好的适用性,其平均收敛代数和陷入局部最小值的概率远远小于传统的BP神经网络算法,达到了很好的识别效果,是一种比较理想的识别海面溢油种类方法。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 海面溢油监测的实际意义
• 1.2 海面油膜激光荧光探测
• 1.2.1 海面油膜的形成
• 1.2.2 海面溢油种类识别的可行性分析
• 1.2.3 国内外常用几种分析鉴别方法
• 1.3 本课题研究的总体设计思路
• 第二章 激光遥感系统探测海面溢油
• 2.1 激光遥感系统的国内外概况及发展趋势
• 2.2 激光遥感雷达系统的构成与工作过程
• 第三章 溢油识别神经网络技术的研究
• 3.1 逆向传播（BP）神经网络技术的研究
• 3.1.1 BP神经网络技术的基本理论
• 3.1.2 BP神经网络技术的实现
• 3.1.3 BP神经网络技术的局限性
• 3.2 遗传神经网络（GANN）技术的研究
• 3.2.1 遗传算法（GA）的基本思想
• 3.2.2 基于实数编码的遗传神经网络技术
• 3.2.3 遗传神经网络技术的实现
• 3.2.4 几种不同的遗传神经网络学习算法
• 第四章 溢油光谱神经网络识别系统的数据准备
• 4.1 数据准备
• 4.2 计算前的数据处理工作
• 4.2.1 冗余数据的处理
• 4.2.2 数据归一化
• 4.2.3 网络的初始化
• 第五章 基于BP神经网络技术和遗传神经网络技术的海面溢油识别系统
• 5.1 系统总体介绍
• 5.2 溢油识别技术流程图
• 5.2.1 BP神经网络技术
• 5.2.2 遗传神经网络技术
• 5.3 系统模块的实现
• 5.3.1 BP神经网络模块
• 5.3.2 遗传神经网络模块
• 5.3.3 数据输入输出模块
• 5.4 测试结果分析
• 第六章 关于并行神经网络算法的设想
• 第七章 结论
• 攻读学位期间公开发表的论文
• 致谢
• 参考文献
• 研究生履历