光谱学与光谱分析
光譜學與光譜分析
광보학여광보분석
SPECTROSCOPY AND SPECTRAL ANALYSIS
2007年
2期
213-216
,共4页
遗传神经网络%遗传算法%误差反向传播神经网络%多光谱辐射测温
遺傳神經網絡%遺傳算法%誤差反嚮傳播神經網絡%多光譜輻射測溫
유전신경망락%유전산법%오차반향전파신경망락%다광보복사측온
针对BP神经网络易陷入局部极小等缺陷,将遗传算法(GA)与神经网络相结合,提出了一种将GA-BP算法应用于多光谱辐射测温的数据处理方法,并对基于亮度温度模型的多光谱辐射测温数据进行了仿真实验.结果表明:已训练样本的真实温度识别精度,GA-BP算法为±5 K,BP神经网络为±10 K;未训练样本的真实温度识别精度,GA-BP算法为士10 K,BP神经网络为±20 K;无论是GA-BP算法还是BP神经网络,已训练样本的真实温度识别精度比未训练样本的真实温度识别精度都更精确些,靠近训练样本集边缘的样本真实温度的识别精度偏低.说明GA-BP算法比BP神经网络可以更好地解决了目标真实温度的测量问题.
針對BP神經網絡易陷入跼部極小等缺陷,將遺傳算法(GA)與神經網絡相結閤,提齣瞭一種將GA-BP算法應用于多光譜輻射測溫的數據處理方法,併對基于亮度溫度模型的多光譜輻射測溫數據進行瞭倣真實驗.結果錶明:已訓練樣本的真實溫度識彆精度,GA-BP算法為±5 K,BP神經網絡為±10 K;未訓練樣本的真實溫度識彆精度,GA-BP算法為士10 K,BP神經網絡為±20 K;無論是GA-BP算法還是BP神經網絡,已訓練樣本的真實溫度識彆精度比未訓練樣本的真實溫度識彆精度都更精確些,靠近訓練樣本集邊緣的樣本真實溫度的識彆精度偏低.說明GA-BP算法比BP神經網絡可以更好地解決瞭目標真實溫度的測量問題.
침대BP신경망락역함입국부겁소등결함,장유전산법(GA)여신경망락상결합,제출료일충장GA-BP산법응용우다광보복사측온적수거처리방법,병대기우량도온도모형적다광보복사측온수거진행료방진실험.결과표명:이훈련양본적진실온도식별정도,GA-BP산법위±5 K,BP신경망락위±10 K;미훈련양본적진실온도식별정도,GA-BP산법위사10 K,BP신경망락위±20 K;무론시GA-BP산법환시BP신경망락,이훈련양본적진실온도식별정도비미훈련양본적진실온도식별정도도경정학사,고근훈련양본집변연적양본진실온도적식별정도편저.설명GA-BP산법비BP신경망락가이경호지해결료목표진실온도적측량문제.
