基于神经网络的遥感影像识别方法与应用综述

本篇硕士学位论文探讨了在遥感影像识别领域中如何利用神经网络技术来提升模式分类的准确性。作者刘宣江，以应用数学专业背景，在北京邮电大学撰写，指导教师为陆传赉，研究集中在2007年。论文首先概述了遥感技术的重要性，它作为一种高效的信息获取工具，其模式分类是关键环节，传统的分类方法受限于条件差异可能导致识别效果不理想。 论文介绍了两种主要的学习方法：有教师学习（supervised learning）和无教师学习（unsupervised learning）。在有教师学习中，网络通过与期望输出的对比进行学习，通过误差准则调整权值以优化输出。无教师学习则依赖于网络自身的规则调整，例如Kohonen自组织特征映射网络（Self-Organizing Map, SOM），它在没有明确指导信号的情况下自我组织，适用于处理复杂的空间模式识别任务。 BP神经网络作为一种广泛应用的分类技术，论文中采用了ERDAS这样的遥感专业软件对渤海湾的1M遥感影像进行预处理和初步分类。随后，模糊Kohonen聚类网络（Fuzzy Kohonen Clustering Network, FKCN）和改进的自适应FKCN（AFKCN）也被引入，旨在利用模糊数学的灵活性，克服传统统计模式识别方法的局限性，增强对模糊和不确定信息的处理能力。 作者通过比较和整合不同的神经网络方法，旨在提高遥感影像识别的精度和鲁棒性，这在遥感数据分析中具有重要意义，尤其是在处理复杂和变化多端的地理信息时。论文的工作成果有助于推动遥感领域的技术进步，为实际应用提供更精确和高效的解决方案。