遥感技术与应用
遙感技術與應用
요감기술여응용
REMOTE SENSING TECHNOLOGY AND APPLICATION
2007年
4期
492-496
,共5页
孙焱鑫%王纪华%李保国%刘良云%黄文江%赵春江
孫焱鑫%王紀華%李保國%劉良雲%黃文江%趙春江
손염흠%왕기화%리보국%류량운%황문강%조춘강
高光谱遥感%神经网络%遗传算法%叶绿素反演
高光譜遙感%神經網絡%遺傳算法%葉綠素反縯
고광보요감%신경망락%유전산법%협록소반연
根据高光谱遥感获得的冬小麦冠层数据,把由逐步回归方法和基于遗传算法(GA)的广义回归神经网络(GRNN)筛选到的光谱参数作为网络输入,冠层叶绿素含量作为网络输出,采用线性逐步回归方法、反向传播神经网络(BPNN)和GRNN来构建反演模型,模拟结果表明,GRNN和BPNN的预测精度要高于逐步回归方法,其RMSE分别为0.36 mg/g、0.52 mg/g和0.98 mg/g.由于GRNN可应用于小样本问题的学习,比BPNN对叶绿素具有更好的预测和泛化能力.
根據高光譜遙感穫得的鼕小麥冠層數據,把由逐步迴歸方法和基于遺傳算法(GA)的廣義迴歸神經網絡(GRNN)篩選到的光譜參數作為網絡輸入,冠層葉綠素含量作為網絡輸齣,採用線性逐步迴歸方法、反嚮傳播神經網絡(BPNN)和GRNN來構建反縯模型,模擬結果錶明,GRNN和BPNN的預測精度要高于逐步迴歸方法,其RMSE分彆為0.36 mg/g、0.52 mg/g和0.98 mg/g.由于GRNN可應用于小樣本問題的學習,比BPNN對葉綠素具有更好的預測和汎化能力.
근거고광보요감획득적동소맥관층수거,파유축보회귀방법화기우유전산법(GA)적엄의회귀신경망락(GRNN)사선도적광보삼수작위망락수입,관층협록소함량작위망락수출,채용선성축보회귀방법、반향전파신경망락(BPNN)화GRNN래구건반연모형,모의결과표명,GRNN화BPNN적예측정도요고우축보회귀방법,기RMSE분별위0.36 mg/g、0.52 mg/g화0.98 mg/g.유우GRNN가응용우소양본문제적학습,비BPNN대협록소구유경호적예측화범화능력.
