基于人工神经网络的森林植被遥感分类研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-11页 |
| 引言 | 第11-13页 |
| 1 遥感图像分类研究综述 | 第13-23页 |
| ·遥感图像分类方法研究综述 | 第13-19页 |
| ·传统的统计模式识别方法 | 第13-14页 |
| ·模式分类的新方法 | 第14-18页 |
| ·小结 | 第18-19页 |
| ·森林植被遥感分类研究进展与发展趋势 | 第19-21页 |
| ·国外森林植被遥感分类研究进展 | 第19页 |
| ·国内森林植被遥感分类研究进展 | 第19-20页 |
| ·森林植被遥感分类发展趋势 | 第20-21页 |
| ·小结 | 第21页 |
| ·人工神经网络用于遥感图像分类的研究现状 | 第21-23页 |
| 2 研究内容、技术路线及研究区概况 | 第23-29页 |
| ·研究内容、方法和技术路线 | 第23-26页 |
| ·研究内容 | 第23页 |
| ·研究方法 | 第23-24页 |
| ·技术路线 | 第24-26页 |
| ·研究区域概况 | 第26-29页 |
| ·自然概况 | 第26-27页 |
| ·地形地貌 | 第26页 |
| ·气候条件 | 第26页 |
| ·土壤类型 | 第26页 |
| ·植被类型 | 第26-27页 |
| ·社会经济概况 | 第27页 |
| ·森林资源概况 | 第27-29页 |
| 3 数据获取与数据处理 | 第29-36页 |
| ·数据获取 | 第29-31页 |
| ·地理数据 | 第29页 |
| ·遥感数据 | 第29-31页 |
| ·数据处理 | 第31-36页 |
| ·地理基础数据处理 | 第31-32页 |
| ·图形扫描与拼接 | 第32页 |
| ·栅格文件矢量化 | 第32页 |
| ·遥感图像处理 | 第32-36页 |
| ·遥感数据输入与格式转换 | 第32-33页 |
| ·图像切割 | 第33-36页 |
| 4 人工神经网络理论及BP神经网络 | 第36-52页 |
| ·人工神经网络理论概述 | 第36-40页 |
| ·人工神经网络的概念 | 第36页 |
| ·人工神经网络的特性 | 第36-37页 |
| ·人工神经网络的基本功能 | 第37-38页 |
| ·人工神经网络的分类、工作方式和学习规则 | 第38-39页 |
| ·人工神经网络的优点和存在的问题 | 第39-40页 |
| ·BP神经网络 | 第40-47页 |
| ·BP神经网络的结构 | 第40-43页 |
| ·BP神经网络的训练 | 第43页 |
| ·BP网络的学习过程 | 第43页 |
| ·BP网络的学习算法 | 第43-45页 |
| ·BP网络算法的改进 | 第45-47页 |
| ·附加动量方法 | 第45-46页 |
| ·变学习率方法 | 第46-47页 |
| ·神经网络在植被遥感信息处理中的应用 | 第47-52页 |
| 5 基于BP神经网络的森林植被遥感分类 | 第52-78页 |
| ·森林植被分类类型的确定 | 第52-55页 |
| ·分类原则和依据 | 第52页 |
| ·森林植被类型的划分 | 第52-54页 |
| ·森林植被分类标志建立 | 第54-55页 |
| ·森林植被遥感分类 | 第55-67页 |
| ·无监督分类 | 第57页 |
| ·监督分类 | 第57-63页 |
| ·训练样本选取 | 第57-60页 |
| ·分类器选择 | 第60-62页 |
| ·监督分类实施 | 第62-63页 |
| ·BP神经网络分类 | 第63-67页 |
| ·BP网络分类的关键问题 | 第63-66页 |
| ·BP神经网络分类实现 | 第66-67页 |
| ·精度比较及结果分析 | 第67-78页 |
| ·类型精度比较分析 | 第67-74页 |
| ·数量精度比较分析 | 第74-78页 |
| 6 结论与讨论 | 第78-82页 |
| ·结论 | 第78-79页 |
| ·讨论 | 第79-82页 |
| 参考文献 | 第82-94页 |
| 个人简介 | 第94-96页 |
| 导师简介 | 第96-100页 |
| 致谢 | 第100页 |
