机场识别研究：基于神经网络的信息融合技术

"该文是2005年的一篇工程技术论文，主要研究人工神经网络在机场识别中的应用，特别是信息融合技术。作者通过改进的BP网络，结合光谱、纹理和几何形状特征进行机场识别。研究指出，信息融合技术分为数据级、特征级和决策级，而在遥感图像目标识别中，特征级融合变得越来越重要。论文提到了像素级融合技术常用于提高空间分辨率，而BP网络被用作特征级融合的算法工具，以机场的特定特征作为输入进行识别。" 本文关注的是利用人工神经网络进行信息融合，并在机场识别中的具体应用。首先，介绍了信息融合的三个层次——数据级、特征级和决策级，强调了特征级融合在遥感图像分析中的重要性。特别是在机场识别这个场景下，由于机场的特性可以通过光谱、纹理和几何形状等多个维度来描述，因此特征级融合可以提供更全面的信息。 文中提到的BP网络（Backpropagation Network）是一种广泛应用的多层前馈神经网络，常用于分类和预测任务。作者采用了两种改进的BP算法，即附加动量法和Levenberg-Marquardt算法，以提高网络的学习效率和准确性。这两种方法分别通过引入动量项加速收敛和利用优化算法调整权重，以适应复杂的非线性问题，如机场识别。 在机场识别研究中，特征选择至关重要。作者选取了光谱特征、纹理特征和几何形状特征作为输入，这些特征代表了机场在不同方面的特性。光谱特征反映了机场在不同波段的反射率，纹理特征则描述了机场表面的结构和变化，而几何形状特征则与机场的布局和大小相关。将这三类特征组合成7维矢量输入到BP网络，使得网络能更好地理解并区分机场与其他地物。 这篇论文探讨了人工神经网络在机场识别中的潜力，特别是在信息融合方面的应用。通过改进的BP网络和特征级融合，提高了识别的准确性和鲁棒性。这项工作对于遥感图像处理和目标识别领域具有重要的理论和实践意义，为后续的相关研究提供了参考。