人工神经网络在遥感图像分类中的应用研究与开发
| 第一章 引言 | 第1-23页 |
| ·课题背景和选题依据 | 第11-12页 |
| ·国内外研究历史和现状 | 第12-15页 |
| ·目视解译分类方法 | 第12-13页 |
| ·计算机自动分类的统计识别方法 | 第13-14页 |
| ·当前的商业应用 | 第14-15页 |
| ·研究问题的提出以及本次所做的工作 | 第15-23页 |
| ·研究问题的提出 | 第15-17页 |
| ·技术路线 | 第17-19页 |
| ·本次研究所做的工作 | 第19-23页 |
| 第二章 遥感图像的分类 | 第23-42页 |
| ·遥感图像分类的基本原理 | 第23-24页 |
| ·非监督分类 | 第24-26页 |
| ·监督分类 | 第26-39页 |
| ·监督分类的主要步骤 | 第26-27页 |
| ·图像预处理 | 第27页 |
| ·特征提取与选择 | 第27-31页 |
| ·训练样本的选取 | 第31-33页 |
| ·感兴趣区选择 | 第31-32页 |
| ·训练样本数据集合的评估 | 第32-33页 |
| ·遥感图像监督分类方法 | 第33-37页 |
| ·最大似然法 | 第33-37页 |
| ·人工神经网络方法 | 第37页 |
| ·误差与精度评价 | 第37-39页 |
| ·混合像元分解 | 第39-42页 |
| 第三章 人工神经网络分类 | 第42-71页 |
| ·神经网络概述 | 第42-46页 |
| ·生物学的启示 | 第42-43页 |
| ·神经网络模式分类原理 | 第43-46页 |
| ·反向传播算法(BP 算法) | 第46-49页 |
| ·训练过程概述 | 第46-47页 |
| ·基本 BP 算法 | 第47-48页 |
| ·BP 模型的不足 | 第48-49页 |
| ·BP 算法的改进 | 第49-51页 |
| ·动量方法 | 第50页 |
| ·学习速率η的自适应性动态调整 | 第50页 |
| ·网络结构设置 | 第50-51页 |
| ·神经网络分类的软件设计 | 第51-58页 |
| ·系统需求分析 | 第51-52页 |
| ·当前系统的运行状况 | 第51页 |
| ·系统的目标和任务 | 第51-52页 |
| ·系统功能概述 | 第52页 |
| ·用户特点 | 第52页 |
| ·系统设计 | 第52-55页 |
| ·基本设计思想 | 第52页 |
| ·系统设计流程图 | 第52-54页 |
| ·各部分设计 | 第54-55页 |
| ·系统开发与实施 | 第55-58页 |
| ·系统评估与维护 | 第58页 |
| ·神经网络分类的ENVI 插件程序开发 | 第58-71页 |
| ·IDL/ENVI 介绍 | 第58-59页 |
| ·ENVI 下程序开发的特点 | 第59-60页 |
| ·插件程序开发的流程 | 第60-65页 |
| ·开发成果与应用 | 第65-71页 |
| 第四章 遥感地物分类实验 | 第71-97页 |
| ·研究区概述及技术流程 | 第71-73页 |
| ·遥感图像特征分析 | 第73-77页 |
| ·传感器波段特性分析 | 第74页 |
| ·遥感图像统计特征分析 | 第74-77页 |
| ·遥感图像特征提取和选择 | 第77-83页 |
| ·最佳波段组合研究以及程序设计 | 第77-81页 |
| ·主成分分析 | 第81-82页 |
| ·最小噪音分离 | 第82-83页 |
| ·训练区的选择 | 第83-88页 |
| ·待分类别的确定 | 第83-84页 |
| ·各待分类别的训练区提取 | 第84-88页 |
| ·提取流程图 | 第84页 |
| ·纯净像元指数(PPI) | 第84-86页 |
| ·训练区提取结果 | 第86-88页 |
| ·训练样本的可分性检验 | 第88页 |
| ·分类以及精度评价 | 第88-93页 |
| ·神经网络的结构设计 | 第88-89页 |
| ·分类结果图 | 第89-92页 |
| ·精度评价 | 第92-93页 |
| ·混合像元分解的神经网络方法 | 第93-97页 |
| 第五章 结论与展望 | 第97-99页 |
| ·结论 | 第97-98页 |
| ·展望 | 第98-99页 |
| 参考文献 | 第99-102页 |
| 致谢 | 第102页 |
