遥感影像的人工神经网络分类

　　B P人工神经网络分类中输入层结点数等于参与分类数据的特征空间维数 , 每个输入结点表示特征向 量 的 分 量 数 据. 对 原 始 NDV I 数 据 ( V GT2 S,SP O T)进行数据提取 、 月合成与主成分变换等优化处理以及相应变换处理 ,最终得到 12个通道的主成分影像数据 ,以备输入神经网络分类器. G I S数据可通过结构化形式参与分类 , 相当于增加了输入向量的维数. 输出层的结点数等于分类数目 ,每一个输出结点代表一个类型 , 共有 15 个土地覆盖类型 ( 表1 ) . 在输入层与输出层之间加入隐含层 , 有利于解决复杂的“ 同物异谱 , 异物同谱 ” 问题 , 在前人研究成果的基础上经过反复试验 , 采用了包含 2个隐含层而拓扑结构为 M-3M-3N-N 的 4 层神经网络. 其中 , M 和 N 分别是输入向量和输出向量的维数 ,且 M = 16、 N = 15 , 因此神经网络结构为 16-48-45-15 . 经过反复调试 ,学习速率为 0 . 05、 动量因子为0 . 9 时网络训练结果较好.

　　步骤 1 　 输入样本数据 , 即对网络提供样本输入向量和期望输出值.

　　步骤 2 　 样本数据和期望输出值的预处理. 对样本值进行归一化处理 ,从 0 ～255 变换为 0 ～1; 对期望输出值进行变换后表达为由 0 . 1和 0 . 9构成的矩阵.

　　步骤 3 　 对网络相邻两层结点之间的连接权值和隐含层 、 输出层结点的阈值赋予初值.

　　步骤 4 　 计算各层输出值. 每层的前向输入输出可表示为

　　步骤 5、计算误差. 每一个学习样本在 M 个输入层神经元上有 M 个输入 Xi( i = 1 , 2 , … M ) , 在 N个输出层神经元上相应实际输出和期望输出值为Yk 和 Tk( k = 1 , 2 , … N ) ,对 P个学习样本 , 网络实际输出与期望输出之间的均方差为