基于自组织映射和特征提取的遥感数据分类研究

基于自组织映射和特征提取的遥感数据分类研究

论文摘要

近年来,对地观测技术不断发展,遥感卫星数据的空间分辨率提高到亚米级,光谱分辨率提高到5纳米。遥感技术的快速发展极大地促进了遥感数据的应用。与此同时,对遥感数据处理方法的需求也在不断的提高,更高级的数据需要更先进的技术方法。在此背景下,一些学者提出了一些新的算法,如支持向量机、神经网络等等。但是,大部分研究的方向都集中在监督分类算法上。但对于监督遥感分类算法,其精度受到带有类别标记的训练数据集的影响。往往选择一个能够很好代表研究区域的训练数据集要花费很大的人力物力,而且不同的实验者选择的训练集不同,分类算法的最终分类精度也不相同,甚至可能差异很大。非监督分类算法则不需要带有类别标记的训练样本,在充分利用遥感数据的同时避免了人为因素的印象。本文对非监督分类进行了研究,取得了以下成果:(1)研究了不同的非监督遥感分类算法。实验表明,传统的非监督分类算法,如ISODATA及K-means分类精度处于80%左右。而对于神经网络中的自组织映射(SOM)算法,由于SOM优秀的不同维度空间的拓扑排序映射能力,其分类精度相对于传统非监督分类算法有了明显提高,分类精度达到85%以上。(2)针对基于像素的SOM算法,提出了使用特征提取来优化SOM,进而提高分类精度以及分类效率。针对像素的SOM算法在分类结果中不可避免的产生了椒盐噪声,而特征提取方法可以考虑一个像素周围的像素的影响,考虑了地物的纹理信息。基于自组织映射和特征提取的算法流程的分类精度达到了94%。为了进一步验证本文提出的算法的分类精度和效率,本文设置了一些其他的对比算法,即:BP神经网络,支持向量机、ISODATA、K-means以及基于像素的SOM算法。实验表明本文提出的算法分类精度高于对比算法,同时分类所用时间也少于当前流行的监督分类算法。一旦该流程建立成功,其可以对同一类型的遥感数据的不同地区进行分类,以达到快速分类的目的。

论文目录

  • 摘要
  • abstract
  • 1 绪论
  •   1.1 选题背景及研究意义
  •     1.1.1 选题背景
  •     1.1.2 选题意义
  •   1.2 国内外研究现状
  •     1.2.1 土地利用分类研究现状
  •     1.2.2 自组织映射发展现状
  •     1.2.3 存在问题
  •   1.3 研究目标
  •   1.4 研究内容与技术路线
  •     1.4.1 研究内容
  •     1.4.2 技术路线
  •   1.5 创新点
  •   1.6 论文的组织结构
  • 2 基于自组织映射和特征提取算法原理
  •   2.1 自组织神经网络(SELF-ORGANIZING MAP)
  •   2.2 特征提取
  • 3 基于特征提取及自组织映射的遥感数据分类流程
  •   3.1 构建网络结构
  •   3.2 训练神经网络
  •   3.3 土地利用分类及分类后处理
  • 4 应用实例
  •   4.1 研究区概况
  •   4.2 数据源及预处理
  •   4.3 SOM网络输入及输出
  •   4.4 非监督聚类类别数选择分析
  •   4.5 对比算法及结果
  •     4.5.1 监督分类算法
  •     4.5.2 非监督分类
  •   4.6 精度评价
  • 5 结论与展望
  •   5.1 结论
  •   5.2 不足之处
  •   5.3 研究展望
  • 致谢
  • 参考文献
  • 附录1 核心代码
  • 附录2 个人简介
  • 文章来源

    类型: 硕士论文

    作者: 张耀华

    导师: 田淑芳

    关键词: 土地利用,遥感分类,特征提取,自组织映射

    来源: 中国地质大学(北京)

    年度: 2019

    分类: 基础科学

    专业: 自然地理学和测绘学

    单位: 中国地质大学(北京)

    分类号: P237

    DOI: 10.27493/d.cnki.gzdzy.2019.000258

    总页数: 52

    文件大小: 4208K

    下载量: 88

    相关论文文献

    • [1].基于自组织映射神经网络的蛋白质序列分析模型[J]. 中国海洋大学学报(自然科学版) 2016(07)
    • [2].自组织映射在移动通信网络优化中的应用[J]. 通信管理与技术 2012(01)
    • [3].改进自组织映射神经网络在指纹识别中的应用[J]. 计算机工程与科学 2009(09)
    • [4].粗糙自组织映射在基因表达数据分析中的应用[J]. 计算机科学 2008(03)
    • [5].基于区间自组织映射的α阶逆系统控制研究[J]. 计算机应用研究 2009(03)
    • [6].基于自组织映射的手写数字识别的并行实现[J]. 浙江大学学报(工学版) 2014(04)
    • [7].基于自组织映射神经网络的多目标调度研究[J]. 计算机集成制造系统 2008(04)
    • [8].基于自组织映射神经网络和卷积核补偿的多通道表面肌电信号的盲源分离方法[J]. 生物医学工程学杂志 2015(01)
    • [9].自组织映射神经网络在生物信息学中的应用[J]. 中国家禽 2011(06)
    • [10].基于自组织映射和模糊隶属度的混合像元分解[J]. 计算机辅助设计与图形学学报 2008(10)
    • [11].无人机群多目标协同主动感知的自组织映射方法[J]. 智能系统学报 2020(03)
    • [12].基于核自组织映射的有监督主动轮廓图像分割[J]. 计算机应用 2016(10)
    • [13].基于潜在语义索引和自组织映射网的检索结果聚类方法[J]. 计算机研究与发展 2009(07)
    • [14].复合神经网络在柴油机故障诊断中的应用[J]. 中国工程机械学报 2014(01)
    • [15].基于自组织映射的改进BP神经网络短期光伏出力预测研究[J]. 四川电力技术 2018(02)
    • [16].专利价值评估与分类研究——基于自组织映射支持向量机[J]. 数据分析与知识发现 2019(05)
    • [17].一种利用自组织映射和径向基函数神经网络的网络拥塞预测方法[J]. 微电子学与计算机 2012(12)
    • [18].基于运行大数据的汽车行驶工况构建与分析[J]. 宁夏师范学院学报 2020(10)
    • [19].基于近红外光谱的自组织映射神经网络快速鉴别牛乳与掺假乳[J]. 食品工业 2019(08)
    • [20].基于自组织映射的增材制造中数据驱动式微观组织和显微硬度设计[J]. Engineering 2019(04)
    • [21].自组织映射聚类算法在电信客户细分中的应用[J]. 计算机系统应用 2010(08)
    • [22].基于PCA-SOM的北京市平谷区地下水污染溯源[J]. 环境科学研究 2020(06)
    • [23].自组织映射节点定位算法中邻域函数的优化方法研究[J]. 小型微型计算机系统 2017(02)
    • [24].自组织特征映射神经网络的改进及应用研究[J]. 计算机工程与应用 2009(31)
    • [25].一种改进的自组织映射树算法及在组织际关系分类中的应用[J]. 系统工程理论与实践 2009(07)
    • [26].基于自组织映射与随机森林耦合模型的流域水质空间差异性评估[J]. 环境科学学报 2020(06)
    • [27].基于SOM和SVM的食醋品质近红外定性分析[J]. 食品与机械 2016(05)
    • [28].自组织映射神经网络(SOM)在图像分类中的应用[J]. 伊犁师范学院学报(自然科学版) 2010(01)
    • [29].利用自组织映射SOM实现电力系统暂态稳定评估结果可视化[J]. 电力系统保护与控制 2009(05)
    • [30].基于突现自组织映射的数据挖掘:测井岩性识别新方法[J]. 石油天然气学报 2009(02)

    标签:;  ;  ;  ;  

    基于自组织映射和特征提取的遥感数据分类研究
    下载Doc文档

    猜你喜欢