人工神经网络在高光谱矿物识别中的应用与研究

论文摘要

光谱成像技术出现于20世纪80年代初期,随着高性能光谱系统的出现和计算技术的进步,高光谱遥感技术也有了很大的发展。目前,高光谱所提供的遥感影像已经具有了很高的分辨率,从而提供了更为丰富的地表信息,其应用已经覆盖了矿产资源调查、生态与环境监测、海洋及大气研究等众多领域,形成了一个颇具特色的前沿学科。本文主要讲述了人工神经网络算法在高光谱遥感的矿物识别上的应用。主要内容包括光谱理论基础、矿物光谱特性、人工神经网络的理论基础等,并且针对某地区的蚀变类矿物的遥感数据,设计并实现了一种基于BP算法的多层前馈网络模型。由于高光谱数据信息量庞大,相邻波段相关性高,所以传统的分类方法难以满足实际应用的需要。人工神经网络凭借其并行处理,模糊识别,以及非线性映射等特点,在高光谱图像识别中占有一席之地。但是在基于人工神经网络的高光谱图像分类中,输入的特征向量一般维数都会很高,并且样本空间很大,这往往导致网络的学习周期变得过长,甚至无法收敛。因此,我们要根据具体情况对人工神经网络的各个要素,做具体的优化。本文对人工神经网络模型的实现方法、学习特征等进行了详细阐述,对不同隐含层数和隐含层节点数对网络学习效果的影响进行了详细分析,并对网络模型的分类识别效果用真实数据进行验证。通过实践,证明了用神经网络对高光谱数据进行模式分类识别是可行的,有效的。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 人工神经网络概述
• 1.2 高光谱遥感概述
• 1.3 课题来源研究意义
• 1.4 本文的组织结构
• 第二章 高光谱遥感图像及分类技术
• 2.1 遥感电磁波理论基础
• 2.1.1 遥感电磁波与电磁波谱
• 2.1.2 电磁波与地表物体的相互作用
• 2.1.3 岩矿的光谱特性
• 2.2 高光谱识别的基本方法
• 2.2.1 高光谱图像的特点
• 2.2.2 高光谱图像识别算法
• 2.2.3 高光谱图像识别面临的困难
• 第三章 神经网络原理
• 3.1 人工神经网络的基本模型
• 3.1.1 神经元
• 3.1.2 网络拓扑结构
• 3.1.3 学习规则
• 3.2 人工神经网络分类
• 3.2.1 前馈型网络
• 3.2.2 反馈型网络
• 3.3 误差反传训练算法（BP 算法）
• 3.3.1 BP 算法的数学描述
• 3.3.2 激活函数的选择
• 3.3.3 隐含层的数目和隐含层节点数目的确定
• 第四章 基于BP 网络的高光谱矿物识别模型的设计与实现
• 4.1 BP 神经网络的总体架构
• 4.2 BP 网络的算法实现
• 4.2.1 数据结构设计
• 4.2.2 学习算法实现
• 4.2.3 识别算法的实现
• 4.3 BP 网络的学习
• 4.3.1 训练样本的选择
• 4.3.2 网络学习要素的选择
• 4.3.3 网络训练的优化
• 4.4 试验结果分析
• 4.4.1 训练结果与分析
• 4.4.2 识别效果
• 第五章 总结与展望
• 致谢
• 参考文献
• 附录