Kohonen神经网络在遥感影像识别中的应用

"这篇硕士学位论文探讨了基于神经网络的遥感影像识别技术，重点研究了Kohonen自组织特征映射神经网络（SOM）在遥感影像分类中的应用。作者刘宣江在导师陆传赉的指导下，通过BP神经网络、模糊Kohonen聚类网络（FKCN）和改进的自适应FKCN网络（AFKCN）进行了遥感影像的分类研究。" 在遥感影像识别领域，Kohonen神经网络，也称为自组织特征映射网络（SOM网络），是一个重要的工具。这种网络模型模仿人脑的自组织特性，通过双层结构（输入层和竞争层）实现对高维输入模式的二维映射，同时保持原有的拓扑结构。输入层接收模式信息，竞争层由二维点阵的神经元构成，它们之间全连接，形成了自组织特征映射。在网络的学习过程中，神经元权重根据输入模式进行调整，使得网络权重空间与输入模式的概率分布逐渐一致，即保持概率保持性。 在Kohonen网络中，竞争层的神经元会竞争响应输入模式的机会，获胜的神经元会对其近邻产生兴奋性反馈，远邻则受到抑制性反馈。这种机制使得相似的输入模式会被映射到接近的位置，形成有序的神经元簇，而这种交互作用的形状类似墨西哥帽，故有时被称为“墨西哥帽”效应。 论文中还提到了BP（Backpropagation）神经网络，这是一种监督学习算法，常用于遥感影像的二次分类。首先，通过非监督学习对数据进行初步分类，然后用BP网络进行细化，提高分类的准确性。模糊Kohonen聚类网络（FKCN）则是将模糊理论与Kohonen网络结合，提高了分类的模糊性和鲁棒性。改进的自适应FKCN网络（AFKCN）进一步优化了这一过程，提高了网络的适应性和分类效果。 论文的工作涵盖了对传统分类方法的分析，包括它们的算法流程和局限性，以及如何引入模糊模式识别技术来提升分类性能。通过对渤海湾地区1M遥感影像的实验，验证了所采用的神经网络方法在遥感影像识别中的有效性和实用性。 Kohonen神经网络是遥感影像识别中的关键工具，它通过自组织映射和竞争学习机制，能够在低维空间中保持高维数据的拓扑结构，有助于提高遥感影像的分类精度。结合BP网络、模糊理论以及自适应优化，可以进一步提升神经网络在遥感领域的应用效果。