遥感影像识别-第六章神经网络在模式识别中的应用PartⅠ

遥感影像识别第六章:神经网络在模式识别中的应用PartⅠ1.主要内容概论神经元与网络结构感知器模型反向传播网络模型遥感图像处理试验1.1神经网络的研究发展史1.1.1第一次神经网络研究高潮对大脑神经元的研究表明，当其处于兴奋状态时，输出侧的轴突就会发出脉冲信号，每个神经元的树状突起与来自其它神经元轴突的互相结合部(此结合部称为Synapse，即突触)接收由轴突传来的信号。如果一神经元所接收到的信号的总和超过了它本身的“阈值”，则该神经元就会处于兴奋状态，并向它后续连接的神经元发出脉冲信号。1943年，W．S．McCulloch和W．Pitts根据上述研究发表了他们的神经元模型，通常称为MP模型。1949年，D.O.Hebb提出了神经元的学习法则，即Hebb法则。50年代末，F．Rosenblatt基于上述原理提出了一种模式识别机，即感知机(Perceptron)模型。感知机是现代神经计算的出发点。Block于1962年用解析法证明了感知机的学习收敛定理。正是由于这一定理的存在，才使得感知机的理论具有实际的意义，并引发了60年代以感知机为代表的第一次神经网络研究发展的高潮。M．Minsky和S.Papert进一步发展了感知机的理论，他们把感知机定义为一种逻辑函数的学习机。B．Widraw在稍后于感知机一些时候提出了Adline分类学习机。它在结构上与感知机相似，但在学习法则上采用了最小二乘平均误差法。1961年，E．R．Caianiello提出了能实现记忆和识别的神经网络模型，它由学习方程式和记忆方程式两部分组成。遗憾的是感知机只能对线性可分离的模式进行正确的分类。当输入模式是线性不可分离时，则无论怎样调节突触的结合强度和阈值的大小也不可能对输入进行正确的分类。1.1.2第二次神经网络研究高潮1982年，美国物理学家Hopfield对神经网络的动态特性进行了研究，提出了所谓Hopfield神经网络模型。以Rumelhart为首的PDP(ParallelDistributedProcessing)并行分布处理研究集团对联结机制(connectionist)进行了研究。T．J．Sejnowski等人还研究了神经网络语音信息处理装置。这些成功的研究对第二次神经网络研究高潮的形成起了决定性的作用。Hopfield模型的动作原理是：只要由神经元兴奋的算法和神经元之间的结合强度所决定的神经网络的状态在适当给定的兴奋模式下尚未达到稳定，那么该状态就会一直变化下去，直到预先定义的一个必定减小的能量函数达到极小值时，状态才达到稳定而不再变化。1985年，Hopfield和D．W．Tank用上述模型求解了古典的旅行推销商问题(TravelingSalesmanProblem)，简称TSP问题。1983年，S．E．Farmann和Hiton提出了波尔兹曼机BM(BoltzmannMachine)，该神经网络模型中使用了概率动作的神经元，把神经元的输出函数与统计力学中的波尔兹曼分布联系起来。1985年,W．O．Hillis发表了称为联结机(connection)的超级并行计算机。他把65536个lbit的微处理机排列成起立方体的互连形式，每个微处理机还带有4kbit的存贮器。误差反向传播神经网络BP(ErrorBackPropagationNeuralNetwork)是1986年由Rumelhart和Hinton提出的。1.1.3存在的问题神经网络识别机的原型是感知机，而BP只是学习方法改进了的感知机，所以把它当作识别机械时，可能存在着中间层神经元的个数会很庞大、学习时间太长、结合系数的范围太宽等严重缺点。当把Hopfield神经网络模型和波尔兹曼机用作最优解的求解机时，还需要弄清楚该模型对具体的对象是否适用。当把神经网络用于运动控制装置时，另一个重要的问题是如何获得自组织的运动模式。综上所述，神经网络的研究虽然时有起伏，出现了研究的高潮与低潮，但总的方向无疑还是正确的。1.2神经网络的研究概况神经网络的研究主要可分为以下三个方面：1．大脑和神经系统的信息处理原理。2．构造能实现信息处理的神经网络模型。3．能实现信息处理基本原理的技术研究－－神经计算机。美国军方，认为神经网络技术是比原子弹工程更重要的技术。美国国防部(DARPA)曾宣布执行一项总投资为4亿美元的八年计划，其主要研究目标为：连续语音信号识别、声纳信号识别、目标识别及跟踪等。日本通产省早在1988年也提出了所谓人类尖端科学计划(HumanFrontierScienceProgram)，即所谓的第六代计算机计划，研制能模拟人类智能行为的计算机系统。到目前为止，已经发表了多达几十种的神经网络模型，它们具备不同的信息处理能力，典型的神经网络模型如表1.2所示。1987年6月21至24日在美国加州圣地亚哥(SanDiego)召开的第一届神经网络国际会议;1988年，我国在北京召开了神经网络的国际研究工作会议，并出版了论文集。关于神经网络的主要国际性杂志有：(1)NeuralNetworks(国际神经网络协会会刊)(2)IEEETransactionsonNeuralNetworks(3)IEEETransactionsonParallelDistributedSystem(4)ConnectionsScience(5)Neurocomputing(6)NeuralComputation(7)InternationalJournalofNeuralSystems1.3神经网络在遥感图像识别中的应用自上个世纪80年代末期，开始被应用于遥感图像的自动分类。应用和研究最多的是多层神经网络BP算法，已取得了较好的效果。但该模型存在收敛速度慢、新加入样本影响已学过样本等缺陷。近年来，人们对自组织映射网络在遥感影像分类中的应用研究较多。自组织映射网络是由芬兰赫尔辛基大学神经网络专家Kohonen教授在1981年提出的，又称Kohonen网络。这种网络模拟大脑神经系统自组织特征映射的功能，十分接近人的识别特性。Kohonen网络是一种竞争式学习网络，是在非监督学习的基础上进行监督模式识别，更有利于处理复杂的海量遥感数据。研究表明，与基于传统的统计理论相比，神经网络对模式的先验概率分布的要求较小，不以某个假定的概率进行分类，而是通过自学习的过程形成分类器并完成分类过程，具有较好的容错能力。尤其是它的非线性，更能体现遥感影像信息中的复杂关系，利于多源遥感影像的融合。已有相关学者将神经网络应用到多源遥感影像融合研究中，如Benediktsson等（1990）、Cappellini（1994）将神经网络理论引入多源遥感影像数据融合处理，进行土地覆盖分类。Carpenter等（1997）对TM和地面数据应用神经网络进行农作物分类。Serpico等（1995）对光学和SAR遥感图像进行了神经网络融合分类。LiisO.Jimenezzetal.（1999）利用投影追踪、最大投票及神经网络方法研究了基于特征级和决策级融合的高维遥感数据分类，实验表明基于特征级和决策级融合的分类能够提高高光谱遥感数据的分类精度。WeijianWan&DonaldFraser（1999）研究了多重自组织映射网络用于多源遥感数据分类融合。TerryA.Wilsonetal.（1997）以AVIRIS数据为例，针对高光谱遥感数据给出了一种基于知觉的影像融合方法。A.SenthilKumar&K.L.Majumder（2001）研究了决策树分类器的信息融合，即把最大似然法和人工神经网络法融合在一起进行分类，发现比单一的分类器性能好。刘纯平（2002）将模糊Kohonen网络应用到多传感器的融合研究中，取得了较好的效果。1.3基于神经网络的模式识别方法的优缺点与其他方法相比,其优点为:具有较强的容错性,能够识别带有噪声的输入模式;具有较强的自适应学习能力;可以实现特征空间较复杂的划分;能够适于用高速并行处理系统实现.存在以下弱点:需要更多的训练数据;在通常的计算机上实现模拟运行速度较慢;无法得到所使用的决策过程的透彻理解.♂有效地利用其算法本身的优势!!!谢谢！