计算机科学
計算機科學
계산궤과학
COMPUTER SCIENCE
2011年
8期
260-264
,共5页
脊波%神经网络%粒子群优化%高光谱分类
脊波%神經網絡%粒子群優化%高光譜分類
척파%신경망락%입자군우화%고광보분류
神经网络是遥感地物自动分类的重要工具之一.利用多尺度几何分析中的脊波基函数建立了一种自适应脊波网络模型.在传统自适应粒子群算法的基础上,提出一种引入粒子密度因子的自适应粒子群优化算法作为网络训练算法.为验证其性能,利用互信息约简技术对220波段AVIRIS 92AV3C高光谱数据进行约简,并将它们作为网络输入实现对高光谱遥感地物的自动分类.仿真试验表明:引入粒子密度因子的粒子群算法与传统粒子群算法相比,不易出现早熟问题,在处理高维非线性组合优化问题时具有一定优势;由于脊波函数对高维奇异性的表征能力,相比于传统的RBF和SVM分类器,脊波神经网络分类器对具有明显边界特征的地物分类问题具有较高的精度,同时网络规模小,结构简单.
神經網絡是遙感地物自動分類的重要工具之一.利用多呎度幾何分析中的脊波基函數建立瞭一種自適應脊波網絡模型.在傳統自適應粒子群算法的基礎上,提齣一種引入粒子密度因子的自適應粒子群優化算法作為網絡訓練算法.為驗證其性能,利用互信息約簡技術對220波段AVIRIS 92AV3C高光譜數據進行約簡,併將它們作為網絡輸入實現對高光譜遙感地物的自動分類.倣真試驗錶明:引入粒子密度因子的粒子群算法與傳統粒子群算法相比,不易齣現早熟問題,在處理高維非線性組閤優化問題時具有一定優勢;由于脊波函數對高維奇異性的錶徵能力,相比于傳統的RBF和SVM分類器,脊波神經網絡分類器對具有明顯邊界特徵的地物分類問題具有較高的精度,同時網絡規模小,結構簡單.
신경망락시요감지물자동분류적중요공구지일.이용다척도궤하분석중적척파기함수건립료일충자괄응척파망락모형.재전통자괄응입자군산법적기출상,제출일충인입입자밀도인자적자괄응입자군우화산법작위망락훈련산법.위험증기성능,이용호신식약간기술대220파단AVIRIS 92AV3C고광보수거진행약간,병장타문작위망락수입실현대고광보요감지물적자동분류.방진시험표명:인입입자밀도인자적입자군산법여전통입자군산법상비,불역출현조숙문제,재처리고유비선성조합우화문제시구유일정우세;유우척파함수대고유기이성적표정능력,상비우전통적RBF화SVM분류기,척파신경망락분류기대구유명현변계특정적지물분류문제구유교고적정도,동시망락규모소,결구간단.