RBF神经网络与结构特征：遥感图像分类与水体识别的双重突破

本篇论文主要探讨了人工智能在遥感图像处理中的两个关键应用——基于RBF神经网络的遥感图像分类和基于结构特征的水体识别。作者苑进，专业为计算机应用技术，在山东科技大学攻读硕士学位，导师为卢新明。论文的核心内容集中在RBF（径向基函数）神经网络在遥感领域的应用。 首先，RBF神经网络作为一种非参数化学习模型，其优势在于能够处理复杂的数据映射关系，无需预先设定样本空间的统计分布。论文介绍了如何将RBF映射理论应用于遥感图像分类，提出了自适应聚类间距的快速聚类算法（sHRBF）和树型RBF网络构造方法。这种方法相较于传统的最大似然分类算法（如IVLCC），在学习速度、网络结构和分类精度上表现出明显的优势。作者通过实际案例分析，展示了RBF神经网络在遥感图像分类中的实用性和有效性。 其次，论文指出仅依靠光谱信息难以精确区分不同类型的水体，因为水体的几何特征，如面积、周长和形状等，以及它们与地貌的关系，提供了额外的重要线索。作者采用决策树方法，利用水体的空间特征进行分析，构建了不同水体与空间特征的知识表达模型或分类决策规则，从而实现了水体的有效识别。这种结合结构特征的方法弥补了光谱信息的不足，提高了水体识别的精度。 这篇论文深入探讨了RBF神经网络在遥感图像分类中的创新应用，以及如何结合空间特征进行更精准的水体识别。通过实际案例的对比分析，验证了这种方法在提高遥感数据分析效率和准确性方面的价值，对于推动遥感图像处理技术的发展具有重要意义。