一、径向基函数神经网络的遥感图象分类（论文文献综述）
杨恩[1]（2019）在《煤岩反射光谱特征及识别方法研究》文中研究表明无人化工作面、智能化开采是世界范围内煤矿实现安全、高效、绿色目标的急切需求和有效途径,制约井下煤矿智能化开采的关键基础问题是开采环境的智能精准感知和开采装备的自主协同控制。煤岩识别是实现无人工作面和智能化开采的关键技术之一,也是实现开采环境智能精准感知的核心技术。然而,煤岩识别一直是煤矿无人化、智能化开采研究和应用中尚未解决的重大难题。地物物质成分的差异,使得其反射光谱特征不同,这一基本性质是地物高光谱遥感探测识别的基本原理,同时反射光谱技术已应用在煤矿、岩矿遥感领域。受地物遥感探测的启发,本论文旨在研究煤炭和顶底板煤系岩石可见-近红外波段反射光谱特征及其差异性,探寻基于反射光谱技术识别煤岩的方法,主要工作和成果如下:（1）收集了我国典型矿区煤和煤系岩石75种,对每种煤岩进行了2种块状和9种粉末制样,采集了每种制样近距离可见-近红外反射光谱,设计了煤岩反射光谱测量球坐标装置,采集了各制样探测几何近红外反射光谱,分析了每种煤岩的组成成分。基于75种煤岩类型11种制样的光谱反射率数据、物质成分等信息,建立了煤和煤系岩石的反射光谱数据库,设计了基于MATLAB GUI模块的煤和煤系岩石反射光谱数据库查询系统软件,为煤岩反射光谱特征、识别方法、光源探头传感装置等研究奠定了基础。（2）分析了典型煤种的可见-近红外波段反射光谱特征及其物质成分机理,发现煤阶降低时近红外波段反射光谱曲线整体正向倾斜程度增大,反射率增加,吸收谷特征增多。对煤的反射光谱曲线进行了光谱斜率、吸收谷深度和两类参数化处理,获得了两类参数与煤阶、相关物质成分的关系:煤阶较高和较低时,光谱斜率分别随煤阶降低呈线性和指数函数增加;煤空气干燥基水分、主要矿物元素含量、挥发分分别与各自吸收谷深度和呈强、中、弱线性相关。分析了典型煤系岩石的可见-近红外波段反射光谱特征及其物质成分机理,得到煤系岩石较明显吸收谷主要分布在1400 nm、1900 nm、2200 nm、2350 nm 4个波长点附近。分析了4个代表性煤矿典型煤岩反射光谱曲线的差异性,发现煤岩最具普适性的差异吸收谷主要分布在2200 nm、2350 nm两个波长点附近。通过模拟实验研究了碳质物质含量对碳质泥岩反射光谱特征的影响规律:当碳质物质含量大于约35%时,碳质泥岩反射光谱波形由凸变凹,主要吸收谷开始变得不明显。（3）选取无烟煤一号、贫煤、气煤、褐煤二号、碳质泥岩、粉砂岩、泥质灰岩为代表煤岩,通过光谱数据库结果分析了此7种煤岩各种探测方位角和反射角、最小入射反射光线夹角、不同探测距离、不同粒度和表面粗糙度等状态下的近红外波段反射光谱曲线及其特征参数变化规律。结果表明:随煤阶降低,煤后向反射增强,双向反射特征越来越明显,岩均具有较明显的后向反射特征,并选择最强前向和后向反射角范围为煤岩最佳光谱探测角度;随最小入射反射夹角时的反射角度增加以及随探测距离增加,煤岩反射光谱曲线、光谱斜率、较明显吸收谷深度均呈现下降规律;随粒度的减小,煤岩反射光谱曲线呈上升规律,粗糙表面反射率小于光滑表面。通过实验对此7种代表性煤岩不同表面水分含量下的近红外波段反射光谱曲线及其特征参数变化规律的研究表明,不同煤岩呈现出了不同的规律特征。建立了特征波长点处反射率与各主要影响因素探测条件的拟合方程,其决定系数均大于0.8,可用于预测及修正不同探测条件下特征波长点附近波长区间的光谱反射率。（4）对7种代表性煤岩反射光谱经5种方法预处理后的光谱曲线进行了分析,并优先选取了连续统去除作为煤岩反射光谱预处理算法。对于吸收谷差异性明显煤岩,研究了全波段光谱RBF神经网络分类、差异性波段吸收谷特征参数RBF神经网络分类、差异性波段光谱向量夹角余弦匹配、差异性波段光谱坡向指数阈值分类4种基于光谱数据库波形匹配的基础识别算法。对于光谱波形相似的烟煤和碳质泥岩,基于8个与煤岩物质成分相关的特征波段连续统去除光谱建立了PCA-SVM、GRB-KPCA-SVM两种主元提取分类识别算法。所建立的煤岩反射光谱特征匹配及特征提取识别算法对测试煤岩试样预测精度均达到了90%以上,且实时性较好。（5）以兴隆庄煤矿、马兰煤矿的典型原位块状煤岩试样为例,分别进行了不同背向反射角、远距离近红外反射光谱探测实验,建立了两类原位煤岩探测几何反射光谱识别模型。对于兴隆庄煤矿中光谱波形差异性明显的气煤-泥岩、气煤-粉砂岩、气煤-泥质灰岩3种煤岩试样组合,获得了此4种煤岩0°--75°各角度背向反射光谱波形差异性最大的波段,其范围为2150-2400 nm。建立了原位煤岩不同探测角度反射光谱的3种无监督自适应识别模型,其中以余弦距离为聚类距离的CFCM聚类为优先选取模型,其对3个煤岩组合识别的最优加权指数分别为2.0、2.0、1.1,识别率分别为93%、98%、100%,识别总耗时均小于0.1 s。对于马兰煤矿中光谱波形较为相似的烟煤和碳质泥岩,研究了其原位煤岩远距离反射光谱与灰分产率的相关性,其最大相关系数为0.777,出现在1698 nm波长点处,由连续统去除预处理方法得到。基于1698 nm波长点附近11个波长点的远距离连续统去除光谱,建立了灰分产率SVR和煤岩类型SVC两种原位煤岩预测识别模型,两种模型对同一煤矿原位煤岩远距离识别率均达到90%以上,对每个测试煤岩试样预测的耗时均小于0.1 s。该论文有图147幅,表18个,参考文献195篇。
张文坤[2]（2019）在《全色遥感图像处理算法改进与目标检测识别优化》文中研究说明全色遥感图像信息量大、边缘细节丰富、包含重要感知信息等,为提取图像中的感兴趣区域,并根据目标特性进行更高精度、更有效的检测识别;面向全色遥感图像目标检测与识别需求,本文分别研究改进的图像边缘检测、分割以及目标检测识别算法,对有噪图像实现边缘信息提取质量改善之目的,完成类别数自动确定和图像全局性分割,优化图像检测识别算法,提高目标识别准确率。首先,由于应用梯度变化检测遥感图像纹理边缘信息时存在过检、漏检、错检以及抗噪力弱等问题,提出一种结合分数阶微分差和高斯曲率滤波的边缘检测算法;通过分数阶微分差运算对全色遥感图像进行梯度场非线性增强,利用高斯曲率滤波来平滑图像非线性扩散部分,并寻找正则化能量最速下降点,从而在阶次（0-2）之间优化微分过程中分数阶次和迭代次数,让有噪图像的边缘信息提取质量改善;遥感图像的实验结果表明:该算法可抑制遥感图像纹理边缘提取过程中噪声非线性放大和扩散产生的背景伪噪声,并保留丰富的图像纹理边缘信息。其次,在全色遥感图像分割中,结合RJMCMC和SA（Reversible Jump Markov Chain Monte Carlo and Simulated annealing,RJMCMC+SA）构建了图像分割算法,在保证遥感图像分割模型的复杂性、分割精度的情况下,能够自动确定分割类别数;通过高斯曲率滤波（Gauss Curvature filtering,GC）对图像进行几何平滑处理,依据贝叶斯理论形式化非线性回归模型中的参数变量从而建立后验概率分布,再利用RJMCMC+SA算法实现该后验概率分布,确定其径向基函数的个数和参数,完成类别数自动确定和图像全局性分割;针对全色遥感图像,分别与四种径向基函数分割模型和四种分割算法进行实验对比,分析表明:该算法不仅在复杂性和精确度上取得良好的平衡性,而且能够自动确定全色遥感图像中地物目标类别数。最后,完成目标检测与识别的思路过程是:利用本文提出的分数阶微分差与高斯曲率滤波边缘检测算法对RJMCMC+SA算法分割出的飞机这一类目标进行选取,制作神经网络训练数据集;基于Faster R-CNN网络引入循环注意力卷积神经网络（RA-CNN）,利用RPN网络和APN网络,分别以注意力机制生成候选框和相互加强的方式递归地学习基于注意区域的多尺度区域辨别和特征表示。RPN与Fast R-CNN共享卷积特征,且RPN网络利用锚框机制生成候选区域,并经过ROIPooling处理得到7*7大小的特征图,送入全连接层进行分类和回归;将Faster R-CNN网络处理得到的目标送入RA-CNN中,其多尺度网络共享相同的网络架构,每个尺度网络的学习包括分类子网和APN网络可以确保足够的识别能力,通过分类网络的softmax损失和注意建议网络规模间成对排序损失的置信度分数来优化循环网络。基于Faster R-CNN和RA-CNN的改进模型相比Faster R-CNN网络,不仅实现图像目标检测,而且目标识别准确率提高了 18.6%。
管立新[3]（2018）在《农作物监测高光谱遥感技术研究》文中进行了进一步梳理围绕农作物监测中的高光谱遥感技术,主要研究农作物高光谱遥感监测机理、农作物的生物物理、化学特性及高光谱数据处理与模型方法;基于高光谱图像波段相关性,研究高效、低计算复杂度的特征提取方法;开展高光谱图像分类的算法与实验研究,研究高光谱特征提取算法与分类器的匹配策略;研究高光谱数据与农作物生物参数的响应关系,提取对农作物生物参数敏感的特征光谱,将光谱指数与生物参数进行相关分析,构建农作物生物参数的反演模型。研究得到的主要结论和创新点有:（1）论文提出了一种基于高光谱相关矩阵图像的分段最小噪声分离（Segmented Minimum Noise Fraction,SMNF）特征提取方法,将高光谱数据按照波段相关性划分成若干个波段子群,在每个波段子群上分别执行MNF之后,用巴氏距离作为特征波段提取的分离尺度。在印第安纳农林（Indian Pines）和帕维亚大学（Pavia University Scene）（含两类植被）两个基准数据集开展作物种类识别实验,研究结果表明,SMNF能够显着减少计算时间,对于印第安纳农林数据,采用SMNF的计算时间比采用MNF减少了62.5%,而对于帕维亚大学数据,采用SMNF的计算时间比采用MNF减少了41.3%。与传统的MNF特征提取方法相比,SMNF特征提取的可分性较好,在农作物种类识别中,SMNF甚至表现出较高的分类精度。（2）论文提出一种基于径向基函数神经网络（Radial Basis Function Neural Network,RBFNN）预抽取的支持向量机分类器RBFPE-SVM,可以有效解决大规模高光谱数据集下的支持向量机训练时间的问题,基于混合“k-means,RLS”设计的RBFNN具有良好的收敛性、快速训练的优势,可以获得最优的决策边界,RBFPE-SVM通过决策边界从原始数据集中提取支持向量候选集,该候选集规模远小于原始训练数据集,研究结果表明,RBFPE-SVM与S-SVM相比,能达到较低的训练时间和内存要求,支持向量少,保证了其泛化能力和分类速度。（3）论文提出一种基于高光谱遥感技术估算赣南脐橙叶绿素含量的模型,使用1.67nm和3.41 nm两种输出波段间隔、光谱范围4001000 nm的光谱分析仪获取赣南脐橙种植示范场内10颗脐橙树体共100个脐橙叶片样本光谱数据,采用分光光度法测定每个脐橙叶片的叶绿素含量进行验证,分别采用原始光谱、一阶导数光谱和二阶导数光谱基于偏最小二乘回归（Partial Least Squares Regression,PLSR）算法建立叶绿素含量估算模型。研究结果表明,脐橙叶片叶绿素含量对400780 nm波段敏感,基于PLSR建立的预测模型效果良好,总体而言,用波段间隔为1.67 nm建模时叶绿素含量预测效果要优于波段间隔3.41 nm。通过原始光谱进行建模时,使用全波段,主成分数选择5时,对叶绿素a、叶绿素b和叶绿素总量的预测效果最好,相关系数分别为0.97、0.95及0.98,训练集均方根误差C-RMSE分别为0.03、0.05及0.05,验证集均方根误差V-RMSE分别为0.15、0.06及0.19。与使用原始光谱进行建模相比,一阶导数光谱模型只有在低主成分数（14）时取得了比较好的预测效果,而在高主成分数（510）时预测效果比原始光谱差。通过二阶导数光谱建模时,叶绿素含量预测相关系数在所有主成分数上表现较均衡,整体上取得了较强的预测能力,特别是在叶绿素b的预测时与原始光谱、一阶导数光谱相比优势明显。总体来言,二阶导数1.67 nm波段间隔全波段具有最优的建模效果。（4）论文提出一种基于高光谱遥感技术检测赣南脐橙果品酸度、维生素C含量的方法,使用光谱范围9001700 nm的光谱分析仪获取赣南脐橙主产区江西省信丰县某脐橙种植园中30个脐橙样本光谱数据,分别用氢氧化钠溶液和碘酸钾溶液化学分析方法测得样品的可滴定酸和维生素C含量进行验证。研究结果表明,脐橙果品内部品质对9001700 nm敏感,通过采集脐橙的近红外光谱,利用偏最小二乘回归方法,选择9501350 nm的波段对可滴定酸进行建模,最佳主成分为4,训练集和测试集的相关系数分别为0.9767和0.9085。选择9001600 nm的波段对维生素C的含量进行建模,最佳主成分为6,训练集和测试集的复决定系数R2分别为0.9387和0.8690,预测效果较好,能够为批量检测赣南脐橙的内部品质提供技术支撑。论文在农作物种类识别、叶绿素含量估算、农产品内部品质检测方面提出了高光谱遥感技术新方法、新模型,取得了较高的精度,研究成果可以为精准农业、产量估算及农产品品质快速检测提供理论依据和技术支撑,促进高光谱遥感技术在农作物种植、生产中的工程化应用。
何同弟[4]（2014）在《高光谱图像的分类技术研究》文中研究说明高光谱遥感是当前遥感技术发展的一个前沿领域，它利用很多很窄的电磁波波段从感兴趣的物体获得有用信息。高光谱图像作为遥感领域的一项重大突破，在保留较高空间分辨率同时，其光谱分辨率有极大的提高，达到了纳米的数量级，可以用来探测和识别传统全色和多光谱遥感中不可探测的地物类别。与传统的多光谱遥感图像相比，高光谱遥感图像有着信息量大、光谱分辨率高等特点，这使得在描述与区分地物类别方面的能力有了大幅提高，进而为地物光谱信息的精确处理与分析提供了可能。高光谱遥感系统已在全球许多国家的先进对地观察遥感系统中占有重要的位置，己成为地球陆地、海洋、大气观察的生力军。但是由于高光谱图像具有较高的数据维数，常规的图像分类方法在处理高光谱图像时有较大的限制，如何从大量的高光谱数据中快速而准确地挖掘出所需要的信息，实现高精度的分类，仍是一个亟待解决的问题。本文从高光谱图像数据的特点入手，在对现有算法进行分析的基础上，针对高光谱遥感图像分类算法进行深入研究。主要的研究工作如下：①在对高光谱遥感影像进行预处理之后，对所用高光谱图像做了大气校正。几何校正选取为二次多项式模型，重采样采用的是最近邻插值法，精度方面的要求得到了充分保证，为下一步的正确分类打下了坚实的基础。②提出了一种基于自适应粒子群优化算法的RBF神经网络高光谱遥感图像分类方法。由于人工神经网络具有并行处理、模糊识别和非线性映射等优点，很适合高光谱图像分类，但是其参数难选。采用自适应粒子群优化算法对RBF神经网络的参数进行了优化，建立了基于粒子群优化算法的的RBF神经网络模型，分类实验结果表明了基于粒子群优化的RBF神经网络模型具有很高的分类精度。③提出了一种基于自适应粒子群优化算法的SVR高光谱遥感图像分类方法。首先分析了支持向量回归的核函数的构造和模型参数的优选问题。由于本文数据样本较少，模型参数优选的比较复杂，本文采用了CV估计模型推广误差，并使用自适应粒子群优化算法来优选SVR模型参数，构建了基于粒子群优化算法的SVR高光谱遥感图像分类模型，在一定程度上解决了高光谱数据标记样本不足的问题。④从稀疏表示的基本理论出发提出了一种基于自适应稀疏表示的高光谱分类方法。利用训练样本构建字典，聚类每一步迭代所产生的余项，将聚类中心作为新的字典原子，然后将测试样本看成冗余字典中训练样本的线性组合，令字典能够更适应于样本的稀疏表示。通过对高光谱图像的分类实验，验证了自适应稀疏表示算法的有效性。
董芳[5]（2012）在《基于多源数据的丘陵区苹果园地信息遥感提取技术研究》文中研究说明遥感技术在农业领域中的应用日益广泛。随着信息技术的发展，越来越多的多尺度空间分辨率数据和多光谱数据的出现为大面积农作物种植面积遥感提取技术提供了海量信息。苹果是我国栽培面积最大、产量最多的水果。山东省作为我国的重要苹果产区之一，苹果栽植面积和产量均居全国前列。对苹果优势区域进行遥感动态监测，掌握苹果园地的面积与分布，对促进我国苹果产业的可持续发展有重要意义。为了准确提取苹果园地信息，本文以栖霞市为研究区，利用不同空间分辨率的多源遥感影像、实测地物光谱数据和GPS调查数据，结合植被指数和DEM信息，采用多种分类方法确定苹果园地面积；并对不同遥感数据源提取苹果园地的适用方法进行了较为系统的研究。论文的研究内容与成果如下：⑴苹果园地遥感识别最佳时相研究利用苹果生长期内的6个时相CBERS影像，分别计算苹果园地、其他果园、耕地的13类植被指数数值，并进行方差分析。结果表明：F检验统计量值最大的月份是四月份，其次是五月份，从而证明利用苹果花期（4月底到5月初）的遥感影像可以有效识别苹果园地。同时，分别从花期的ALOS数据、TM数据、CBERS数据提取苹果园地面积，均取得较好的效果，从而验证了识别苹果园地的最佳时间为苹果花期。⑵ALOS数据花期苹果园地信息提取方法研究研究中，利用BP人工神经网络分别对花期ALOS光谱数据和花期ALOS光谱数据-DEM数据提取苹果园地信息，结果表明：加入DEM信息的人工神经网络分类法提取苹果园地的面积精度较高，空间分辨率中用户精度和生产者精度均为89%以上。证明在提取丘陵区苹果园地信息时，DEM数据是一种必不可少的地理数据。⑶CBERS数据苹果园地信息提取方法研究利用植被指数对花期CBERS影像和多时相CBERS影像进行苹果园地信息提取。结果表明：对花期CBERS影像采用七种植被指数与波段比值指数进行苹果园地提取时，RVI-BAND1/BAND2方法的面积精度和空间精度均最高，其次是RDVI-BAND1/BAND2和MSAVI-BAND1/BAND2方法。利用多时相CBERS影像提取苹果园地时，PVI-SARVI方法在空间精度上明显高于RVI方法。⑷T M数据花期苹果园地信息提取方法研究采用决策树分类法和混合像元分解法提取花期TM影像中的苹果园地。混合像元分解中将实测光谱数据作为分解端元，并利用小波变换对线性分解模型进行改进，采用实测端元改进后线性分解模型、实测端元线性分解模型、TM影像端元线性分解模型分别提取研究区苹果园地信息。结果表明：对比不同信息提取方法发现，利用实测数据作为端元的改进后混合像元分解方法获取的苹果园地面积与统计面积相近，面积提取精度最高，对丰度图像的NDVI值与ALOS数据的平均NDVI值进行回归分析，R2大于0.81，能较好地反映苹果园地的分布。
朱新荣[6]（2010）在《径向基函数神经网络集成算法的研究及应用》文中研究表明在现今的数据处理过程中由于数据类型复杂,对数据分类精度和算法稳定性的要求越来越高,单个分类器已不能满足要求,集成算法便成为研究者关注的重点。其中以决策树的集成最为普遍,由于决策树大多采用弱学习器,集成之后容易产生过学习现象,如何在保证分类精度提高的同时,改善过学习现象是要解决的主要问题之一针对常用分类方法二类标不平衡数据分类效果较差的问题,本文在随机森林决策树算法的基础上提出用受试者特征曲线下面积作为数据冗余特征去除的选择标准,采用小类样本合成重复采样技术对数据扩充之后,以过学习现象较轻的径向基函数神经网络作为随机森林中的基分类器,从而达到提升分类精度的同时改善过学习现象；与此同时,针对常用集成方法处理多类标或数据类型较复杂时所提算法普适性较差的问题,本文在反向标定合成训练样本数据的决策树算法基础上,提出对输入数据进行同分布扩充之后,用过学习情况较轻的径向基函数神经网络构造新的基分类器进行处理,提升对数据适应能力的同时增加算法精度。在此基础上为进一步提升集成算法精度,本文提出在轮转森林决策树算法的基础上,通过对原数据的特征集进行主成份分析后,构造差异度较大的径向基函数神经网络基分类器集,改善轮转森林本身存在的过学习现象。将新构造的算法模型分别应用于UCI数据和实际的遥感影像中,得到所提集成方法可给出较好分类效果的同时保有较高的泛化性能,从而验证所提算法的有效性。
戴晓燕[7]（2008）在《基于遥感数据挖掘定量反演城市化区域地表温度研究》文中研究指明城市化的快速发展最为直观的表现就是土地覆盖景观的转变。土地利用/土地覆盖的变化不仅会改变地球表面物理特征,而且又能影响到地表与大气之间的能量和水分的交换过程、改变地表生物地球化学的循环过程,对区域甚至全球生态系统的结构和功能等产生极其深刻的影响。尤其对于我国重要的经济中心城市—上海,在社会经济的高速发展中,城市景观布局和土地利用方式变化对城市生态环境演变产生了深远影响。在各种城市化的生态环境效应中,城市热岛效应的产生及演变与城市地表覆被变化、人类社会经济活动密切相关,是城市生态环境状况的综合概括与体现。本文以上海市中心城区为研究区域,通过综合应用定量遥感方法、地理信息系统空间分析技术与空间数据挖掘技术,开展城市化过程中的土地利用时空演变格局及城市热岛效应形成机制研究。通过Landsat TM/ETM+遥感影像混合像元分解和亚像元空间定位,获得了较高精度的地表覆盖分类结果,揭示城市化过程中上海中心城区土地利用时空演变格局及城市用地空间扩展模式。在此基础上,运用改进后的Landsat TM/ETM+热波段单窗反演算法,对地表温度和地表发射率进行定量反演,并应用决策树方法和探索性空间数据分析技术来揭示上海中心城区地表温度场的时空演变特征,挖掘城市热岛效应的形成机制。研究成果不仅对于提高遥感影像解译及定量化反演精度、深入城市生态环境系统的研究具有重要的理论意义,而且对于制定合理的城市用地布局与规划以及治理和改善城市生态环境具有较高的实践价值。论文共分为五个章节。第一章首先论述了研究背景与立题意义,其次对遥感影像数据挖掘、遥感影像混合像元分类、亚像元信息的空间定位、地表温度的遥感反演这四个相关领域的国内外研究进展进行概述。在此基础上,提出了论文的研究内容、研究方法、技术路线及创新之处。第二章基于可能性理论和中心点聚类方法的基本原理,建立了可能性C中心点（PCRMDD）方法。根据减法聚类法所提供的初始聚类中心,运用该算法对研究区域的Landsat TM/ETM+遥感影像进行混合像元分解,并自动获取各类地物端元盖度分布图和影像端元光谱,解混精度的检验结果表明该方法能在噪声环境下获得精度较高的分类结果和端元光谱信息。根据获得的不同时期研究区域的地表覆盖分类结果,应用GIS空间分析功能,进一步探讨在城市化过程中上海中心城区土地利用时空演变格局,揭示城市用地空间扩展模式。第三章利用小波变换的时频局域化特性和多尺度分析能力及神经网络的自学习、预测功能,通过小波分析与神经网络的松散型结合方式,建立小波分析和径向基函数神经网络（Wavelet-RBFNN）预测模型。根据混合像元分解获得的像元组分比率信息,基于小波系数的近邻依赖性假设,通过亚像元组分比率值的预测和硬分类两个步骤,实现了遥感影像亚像元的空间定位。对复杂程度不同的人工图像、QuickBird影像和Landsat TM/ETM+遥感影像的实验结果表明,本文提出的亚像元定位方法能成功实现影像空间分辨率的增强,并且与三次样条插值法、克立格插值法相比,具有更好的视觉效果和更高的预测精度。采用该模型对研究区Landsat TM/ETM+遥感影像在较高空间分辨率水平上的亚像元定位结果证实,在高分辨遥感影像不易获得或成本过高时,运用本文提出的Wavelet-RBFNN模型能有效地模拟较高空间分辨率影像,实现高分辨率上地表覆盖类型的自动识别与定位。第四章在详细介绍大气校正法、普适性单通道算法和单窗算法这三种基于Landsat TM/ETM+热波段数据反演地温方法的基础上,对单窗算法中地表发射率的计算方法进行了改进。运用改进后的单窗算法对上海中心城区1989、1997、2000和2002年四个特征年份的地表温度和地表发射率进行定量反演,并运用RBF神经网络建立多时相遥感影像的相对辐射校正模型,对不同时相影像进行标准化处理。在此基础上,采用决策树方法来构造城市热环境系统的分类和预测模型,建立中心城区地表温度场空间分布及其驱动因素之间的定量关系,挖掘城市热岛效应的形成机制;并采用热环境成因分类图的形式对分类规则进行可视化表示,以显示多种影响因素综合作用下上海中心城区的热环境空间格局差异。进而,利用探索性空间数据分析（ESDA）技术,通过全局和局部空间自相关分析,采用Global Moran’s I、Local Moran’I,和G*统计量等空间统计指标及半变异函数来定量描述不同尺度和时期上海市中心城区热力景观的空间变异和时间演变特征。第五章对论文的研究成果进行了概括和总结,并提出未来需进一步开展的工作和研究重点。
钱茹茹[8]（2007）在《遥感影像分类方法比较研究》文中认为遥感技术已成为土地利用/覆盖信息来源的重要手段,分类方法在其研究中占有重要的地位,方法的优劣直接关系着分类的精度。本文回顾了遥感图象分类的研究背景,阐述了遥感基本理论和图像预处理的一些方法,简要概述了遥感图像分类的概念和原理,详细探讨了传统的遥感分类方法——监督分类和非监督分类,以及近年来出现的一些较新的分类方法——人工神经网络和模糊分类,对各种方法的原理,算法及各自的优缺点进行了比较分析。最后,用不同的遥感分类方法对实际遥感影像进行分类,通过分类结果的分析比较,得出不同方法在实际使用过程中的特点。结果表明,人工神经网络分类方法在分类效果上要优于传统的分类方法。总之,遥感图像分类是模式识别领域一个比较复杂的问题,遥感影像的监督分类和非监督分类方法,是影像分类的最基本、最概括的两种方法。传统的监督分类和非监督分类方法虽然各有优势,但是也都存在一定的不足。而新的分类方法如神经网络以其自适应、自学习、联想记忆和分布存储等良好特性,被人们加以重视和广泛应用于图像分类中,打破了传统的统计分类方法的局限,提高了分类速度和精度。虽然各种分类方法各有特点,但在实际工作中还需要综合应用多种分类方法,以提高分类的准确率与精度。
毛建旭,王耀南[9]（2001）在《径向基函数神经网络的遥感图象分类》文中认为针对遥感图象分类的特点,提出了一种径向基函数神经网络的遥感图象分类器。实验结果表明,这种径向基函数神经网络分类器经过训练后,可应用于遥感图象的分类。通过与BP经网络分类器相比较,径向基函数神经网络分类器在学习速度和分类精度等方面具有一定的优势。
毛建旭,王耀南[10]（2001）在《径向基函数神经网络的遥感图象分类》文中研究指明本文针对遥感图象分类的特点,提出了一种径向基函数神经网络的遥感图象分类器。实验结果表明,这种径向基函数神经网络分类器经过训练后,可应用于遥感图象的分类。通过与BP神经网络分类器相比较,径向基函数神经网络分类器在学习速度和分类精度等方面具有一定的优势。
二、径向基函数神经网络的遥感图象分类（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、径向基函数神经网络的遥感图象分类（论文提纲范文）
（1）煤岩反射光谱特征及识别方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 背景及意义 |
| 1.3 煤岩识别及反射光谱概述 |
| 1.4 国内外研究现状 |
| 1.5 论文研究内容 |
| 2 煤岩反射光谱数据库建立 |
| 2.1 煤岩试样 |
| 2.2 实验方法 |
| 2.3 煤岩反射光谱数据库 |
| 2.4 本章小结 |
| 3 典型煤岩反射光谱特征及差异性分析 |
| 3.1 煤的反射光谱特征 |
| 3.2 煤的反射光谱特征物质成分机理 |
| 3.3 煤系岩石的反射光谱特征 |
| 3.4 煤系岩石的反射光谱特征物质成分机理 |
| 3.5 煤岩反射光谱差异性分析 |
| 3.6 碳质泥岩与煤反射光谱相似性分析实验 |
| 3.7 本章小结 |
| 4 探测几何及表面状态对煤岩反射光谱影响研究 |
| 4.1 辐射物理量及相关理论 |
| 4.2 探测角度对煤岩反射光谱的影响 |
| 4.3 探测距离对煤岩反射光谱的影响 |
| 4.4 粒度和表面粗糙度对煤岩反射光谱的影响 |
| 4.5 煤岩反射光谱表面水分含量影响实验 |
| 4.6 本章小结 |
| 5 煤岩反射光谱匹配及特征提取识别算法研究 |
| 5.1 煤岩反射光谱预处理算法 |
| 5.2 煤岩反射光谱曲线波形匹配算法 |
| 5.3 煤岩特征波段反射光谱主元提取分类识别算法 |
| 5.4 本章小结 |
| 6 井下煤岩探测几何反射光谱识别模型研究 |
| 6.1 煤岩反射光谱无监督自适应识别模型 |
| 6.2 煤岩反射光谱-灰分产率相关性识别模型 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 结论 |
| 7.2 论文主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（2）全色遥感图像处理算法改进与目标检测识别优化（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 全色遥感图像目标检测与识别的研究现状 |
| 1.3 本文主要研究内容及贡献 |
| 1.4 论文章节安排 |
| 第二章 基于分数阶微分差和高斯曲率滤波的图像边缘检测算法 |
| 2.1 FDDO和高斯曲率滤波理论 |
| 2.2 FG算法实验研究 |
| 2.3 FG算法图像边缘检测效果的三种定量评价 |
| 2.4 本章小结 |
| 第三章 RJMCMC+SA算法研究及其在图像分割模型中的应用 |
| 3.1 图像预处理及模型参数估计思想 |
| 3.2 图像分割模型的建立过程 |
| 3.3 RJMCMC+SA算法原理及其实现 |
| 3.4 RJMCMC+SA算法评价 |
| 3.5 RJMCMC+SA算法分割效果的评价 |
| 3.6 本章小结 |
| 第四章 全色遥感图像中飞机目标的检测与识别优化 |
| 4.1 Faster R-CNN目标检测网络 |
| 4.2 RA-CNN细粒度分类网络 |
| 4.3 基于Faster R-CNN和RA-CNN的模型改进与实验测试 |
| 4.4 本章小结 |
| 第五章 研究工作总结与展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 个人简介 |
（3）农作物监测高光谱遥感技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 高光谱遥感技术简介 |
| 1.3 高光谱遥感技术发展概况 |
| 1.4 论文的研究内容与创新点 |
| 1.5 论文的组织结构 |
| 第2章 农作物高光谱遥感监测机理及技术 |
| 2.1 农作物高光谱遥感监测机理 |
| 2.2 农作物监测高光谱遥感技术应用 |
| 2.2.1 叶绿素及氮素含量估计 |
| 2.2.2 作物长势及产量估算 |
| 2.2.3 作物胁迫监测 |
| 2.2.4 作物病虫害检测 |
| 2.2.5 农产品品质检测 |
| 2.2.6 农作物种类识别 |
| 2.3 农作物监测的最优高光谱窄波段 |
| 2.4 农作物高光谱数据处理与建模方法 |
| 2.4.1 数据预处理 |
| 2.4.2 光谱指数提取 |
| 2.4.3 高光谱建模方法 |
| 2.4.4 精度评估指标 |
| 2.5 本章小结 |
| 第3章 分段最小噪声分离特征提取的农作物种类识别 |
| 3.1 引言 |
| 3.2 特征提取 |
| 3.2.1 主成分分析特征提取 |
| 3.2.2 最小噪声分离特征提取 |
| 3.3 分段最小噪声分离 |
| 3.3.1 相关矩阵图像 |
| 3.3.2 最小噪声分离 |
| 3.3.3 相关矩阵图像分段过程 |
| 3.3.4 可分性度量 |
| 3.4 实验设计与分析 |
| 3.4.1 数据集描述 |
| 3.4.2 实验设计 |
| 3.4.3 实验结果与分析 |
| 3.5 结论 |
| 第4章 基于径向基函数预抽取的支持向量机分类器设计 |
| 4.1 引言 |
| 4.2 高光谱图像分类技术 |
| 4.2.1 高光谱图像监督分类技术 |
| 4.2.2 高光谱图像半监督分类技术 |
| 4.2.3 高光谱图像空谱联合分类技术 |
| 4.3 支持向量机 |
| 4.4 支持向量侯选集 |
| 4.5 基于径向基函数神经网络的支持向量预提取方法 |
| 4.5.1 方法描述 |
| 4.5.2 自适应k-均值聚类算法 |
| 4.5.3 权向量的RLS计算 |
| 4.5.4 支持向量预抽取 |
| 4.5.5 算法框架 |
| 4.6 实验设计与分析 |
| 4.6.1 数据集描述 |
| 4.6.2 实验设计 |
| 4.6.3 .实验分析 |
| 4.7 结论 |
| 第5章 果树类作物叶绿素含量高光谱估算 |
| 5.1 引言 |
| 5.2 材料与方法 |
| 5.2.1 光谱数据采集 |
| 5.2.2 叶绿素含量测定 |
| 5.2.3 建模方法 |
| 5.3 实验结果与分析 |
| 5.3.1 原始光谱建模分析 |
| 5.3.2 一阶导数光谱建模分析 |
| 5.3.3 二阶导数光谱建模分析 |
| 5.4 结论 |
| 第6章 果品内部品质近红外高光谱检测 |
| 6.1 引言 |
| 6.2 实验过程与数据处理 |
| 6.3 实验结果与讨论 |
| 6.3.1 脐橙的近红外光谱 |
| 6.3.2 可滴定酸的测定 |
| 6.3.3 维生素C的测定 |
| 6.4 结论 |
| 第7章 结论与展望 |
| 7.1 主要结论 |
| 7.2 需要进一步研究的问题 |
| 7.3 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间的研究成果 |
（4）高光谱图像的分类技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于特征空间的遥感影像分类方法 |
| 1.2.2 基于光谱匹配的遥感影像分类方法 |
| 1.3 论文研究内容和组织结构 |
| 2 高光谱分类理论及其预处理 |
| 2.1 高光谱遥感图像分类理论 |
| 2.1.1 高光谱图像分类的原则 |
| 2.1.2 高光谱图像分类的流程 |
| 2.1.3 典型地物的光谱特性 |
| 2.2 遥感影像预处理 |
| 2.2.1 传感器定标 |
| 2.2.2 遥感影像的大气辐射校正 |
| 2.2.3 遥感影像的几何校正 |
| 2.3 HYDICE 高光谱数据 |
| 2.4 本章小结 |
| 3 基于人工神经网络的高光谱遥感分类研究 |
| 3.1 神经网络概述 |
| 3.1.1 人工神经网络的生物学基础 |
| 3.1.2 人工神经网络和基本功能 |
| 3.1.3 人工神经元模型 |
| 3.1.4 人工神经网络的学习规则 |
| 3.1.5 人工神经网络的模型 |
| 3.1.6 人工神经网络的特点 |
| 3.2 BP 神经网络模型的建立 |
| 3.2.1 BP 神经网络结构 |
| 3.2.2 BP 网络的学习算法 |
| 3.2.3 BP 网络分类算法实现 |
| 3.3 RBF 神经网络模型的建立 |
| 3.3.1 RBF 神经网络的结构 |
| 3.3.2 RBF 网络的学习算法 |
| 3.3.3 RBF 网络的分类算法 |
| 3.4 基于粒子群优化算法的 RBF 神经网络模型 |
| 3.4.1 粒子群优化算法 |
| 3.4.2 基于自适应 PSO 的 RBF 网络分类算法实现 |
| 3.5 实验结果比较与分析 |
| 3.5.1 分类精度评价 |
| 3.5.2 分类结果比较 |
| 3.6 本章小结 |
| 4 基于统计学习理论下的 SVR 高光谱遥感分类研究 |
| 4.1 支持向量机原理概述 |
| 4.1.1 统计学习理论 |
| 4.1.2 支持向量机原理 |
| 4.2 支持向量回归机(SVR) |
| 4.2.1 线性回归的情况 |
| 4.2.2 非线性回归的情况 |
| 4.2.3 常用的支持向量回归机 |
| 4.3 SVR 分类模型的建立 |
| 4.3.1 核函数参数的确定 |
| 4.3.2 基于 SVR 的高光谱分类模型 |
| 4.3.3 基于自适应 PSO 的 SVR 高光谱分类模型的构建 |
| 4.4 实验结果比较与分析 |
| 4.4.1 分类精度评价 |
| 4.4.2 分类结果比较 |
| 4.5 本章小结 |
| 5 基于稀疏表示的高光谱遥感分类研究 |
| 5.1 稀疏表示的理论基础 |
| 5.1.1 稀疏表示的生理基础 |
| 5.1.2 稀疏表示的模型 |
| 5.1.3 稀疏表示的优化算法 |
| 5.1.4 学习字典 |
| 5.2 基于自适应稀疏表示的高光谱图像分类 |
| 5.2.1 高光谱图像的稀疏表示 |
| 5.2.2 自适应字典学习方法 |
| 5.2.3 随机森林分类方法 |
| 5.2.4 基于自适应稀疏表示的高光谱图像分类 |
| 5.3 遥感分类结果及比较 |
| 5.3.1 分类精度评价 |
| 5.3.2 分类结果比较 |
| 5.3.3 算法复杂度分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A．攻读博士学位期间发表的论文 |
| B．攻读博士学位期间参与的课题 |
| C．攻读博士学位期间的发明专利 |
（5）基于多源数据的丘陵区苹果园地信息遥感提取技术研究（论文提纲范文）
| 符号说明 |
| 中文摘要 |
| Abstract |
| 1 引言 |
| 1.1 遥感技术在作物信息提取中的研究现状 |
| 1.1.1 获取农作物信息的主要遥感信息源 |
| 1.1.2 农作物遥感识别数据处理技术 |
| 1.1.3 农作物信息遥感提取技术 |
| 1.2 苹果园地信息遥感提取技术存在的问题 |
| 1.3 研究目的与意义 |
| 1.4 研究内容与技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 2 研究区概况与研究资料 |
| 2.1 研究区概况 |
| 2.1.1 自然地理概况 |
| 2.1.2 社会经济概况 |
| 2.1.3 苹果产业现状 |
| 2.2 研究资料 |
| 2.2.1 影像资料 |
| 2.2.2 DEM 数据 |
| 2.2.3 野外实测数据 |
| 2.2.4 专题资料 |
| 3 数据预处理 |
| 3.1 图像处理 |
| 3.1.1 大气及地形校正 |
| 3.1.2 几何校正 |
| 3.2 实测数据处理 |
| 4 苹果园地信息提取最佳时相选择 |
| 4.1 农作物遥感识别最佳时相的选择依据 |
| 4.1.1 农作物光谱的种间差异 |
| 4.1.2 作物物候历的种间差异 |
| 4.1.3 太阳高度角的变化 |
| 4.2 基于植被指数的苹果园地信息提取最佳时相选择 |
| 4.2.1 植被指数及其应用 |
| 4.2.2 数据选取与植被指数选择 |
| 4.2.3 最佳时相选择 |
| 5 基于 ALOS 数据的花期苹果园地信息提取方法 |
| 5.1 人工神经网络应用进展 |
| 5.2 BP 神经网络基本原理 |
| 5.3 基于 ALOS 光谱数据的人工神经网络分类 |
| 5.4 基于 ALOS 光谱数据与 DEM 数据的人工神经网络分类 |
| 6 基于 CBERS 数据的苹果园地信息提取方法 |
| 6.1 植被指数应用进展 |
| 6.2 基于苹果花期的各类植被指数苹果园地信息提取方法 |
| 6.2.1 研究思路 |
| 6.2.2 样本点植被指数范围与波段比值指数确定 |
| 6.2.3 苹果园地信息提取 |
| 6.3 基于多时相多种植被指数的苹果园地信息提取方法 |
| 6.3.1 植被指数计算 |
| 6.3.2 基于多时相 CBERS 影像的苹果园地植被指数特性分析 |
| 6.3.3 苹果园地信息提取 |
| 6.3.4 苹果园地面积估算结果 |
| 7 基于 TM 数据的花期苹果园地信息提取方法 |
| 7.1 决策树分类法 |
| 7.1.1 研究资料 |
| 7.1.2 研究区土地利用类型划分 |
| 7.1.3 决策树分类规则 |
| 7.1.4 决策树模型的建立 |
| 7.1.5 苹果园地面积估算结果 |
| 7.2 混合像元分解法 |
| 7.2.1 实测数据处理 |
| 7.2.2 端元选取 |
| 7.2.3 混合像元分解模型 |
| 7.2.3.1 线性光谱分解 |
| 7.2.3.2 改进后的线性分解模型 |
| 7.2.4 苹果园地面积估算结果 |
| 8 精度分析与方法比较 |
| 8.1 面积精度分析 |
| 8.1.1 ALOS 影像面积精度分析 |
| 8.1.2 CBERS 影像面积精度分析 |
| 8.1.3 TM 影像面积精度分析 |
| 8.2 空间精度分析 |
| 8.2.1 ALOS 空间精度分析 |
| 8.2.2 CBERS 空间精度分析 |
| 8.2.3 TM 空间精度分析 |
| 8.2.3.1 决策树分类结果空间精度分析 |
| 8.2.3.2 混合像元分解结果空间精度分析 |
| 8.3 植被指数信噪比评价 |
| 8.4 方法比较与分析 |
| 8.4.1 ALOS 影像苹果园地提取方法分析 |
| 8.4.2 CBERS 影像苹果园地提取方法分析 |
| 8.4.2.1 花期 CBERS 影像植被指数与波段比值指数 |
| 8.4.2.2 多时相 CBERS 影像植被指数组合 |
| 8.4.3 TM 影像苹果园地提取方法分析 |
| 8.4.3.1 决策树分类法 |
| 8.4.3.2 混合像元分解法 |
| 9 结论 |
| 9.1 主要研究成果 |
| 9.2 研究特色 |
| 9.3 问题与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文情况 |
（6）径向基函数神经网络集成算法的研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 1 绪论 |
| 1.1 集成算法的应用背景 |
| 1.2 集成算法的研究现状 |
| 1.2.1 同态集成技术 |
| 1.2.2 异态集成技术 |
| 1.2.3 反向标定合成训练数据的扩充技术 |
| 1.3 集成算法的研究中所存在的问题 |
| 1.3.1 集成算法与决策树的结合 |
| 1.3.2 集成算法与其他分类器的结合 |
| 1.3.3 集成算法在这些分类器结合过程中存在的问题 |
| 1.4 神经网络的研究概述 |
| 1.5 本文内容概述和结构安排 |
| 2 随机径向基函数神经网络森林 |
| 2.1 随机径向基函数神经网络森林概述 |
| 2.1.1 随机径向基函数神经网络森林模型的构建 |
| 2.1.2 随机径向基函数神经网络森林模型的预测 |
| 2.1.3 随机径向基函数神经网络森林模型规模的设定 |
| 2.2 随机径向基函数神经网络森林的应用 |
| 2.2.1 不平衡数据的介绍 |
| 2.2.2 不平衡数据的处理方式 |
| 2.2.3 随机径向基函数神经网络森林的仿真实验 |
| 2.3 小结 |
| 3 基于反向标定合成训练数据的改进集成算法 |
| 3.1 反向标定合成训练数据技术 |
| 3.2 基于反向标定合成训练数据的RBFNN集成算法 |
| 3.2.1 基于反向标定合成训练数据的RBFNN集成模型的构建 |
| 3.2.2 基于反向标定合成训练数据的RBFNN集成模型的分类 |
| 3.2.3 基于反向标定合成训练数据的RBFNN集成模型的参数选择 |
| 3.3 仿真实验 |
| 3.4 小结 |
| 4 轮转径向基函数神经网络集成算法 |
| 4.1 轮转森林技术概述 |
| 4.2 轮转径向基函数神经网络算法 |
| 4.2.1 轮转径向基函数神经网络集成模型的构建 |
| 4.2.2 轮转径向基函数神经网络集成模型的分类 |
| 4.3 轮转径向基函数神经网络集成模型的仿真分析 |
| 4.4 小结 |
| 结论 |
| 参考文献 |
| 课题资助情况 |
| 攻读硕士学位期间参与的项目研究 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（7）基于遥感数据挖掘定量反演城市化区域地表温度研究（论文提纲范文）
| 摘要 ABSTRACT 第一章 |
| 绪论 1.1 |
| 研究背景与立题意义 1.2 |
| 国内外研究现状 1.3 |
| 研究区域概况 1.4 |
| 研究内容 1.5 |
| 研究方法及思路 1.6 |
| 论文的特色及创新之处 第二章 |
| 遥感影像混合像元分类方法研究 2.1 |
| 减法聚类法(SUBTRACTIVECLUSTERING) 2.2 |
| 模糊C均值(FCM)算法 2.3 |
| 可能性C均值(PCM)算法 2.4 |
| 可能性中心点聚类(PCRMDD)方法的建立 2.5 |
| 聚类有效性测度 2.6 |
| PCRMDD算法的应用与结果分析 第三章 |
| 基于小波变换和RBF神经网络预测模型的亚像元定位方法研究 3.1 |
| 小波变换的基本原理 3.2 |
| 径向基函数(RBF)神经网络的基本原理 3.3 |
| 小波分析和神经网络的结合方式 3.4 |
| 小波变换和RBF神经网络(WAVELET-RBFNN)预测模型的应用 第四章 |
| 上海市中心城区地表温度的定量反演及城市热岛效应的形成机制研究 4.1 |
| 上海中心城区地表温度的定量反演 4.2 |
| 上海中心城区地表温度场时空分布特征分析 4.3 |
| 上海中心城区地表温度场时空分布的驱动因子分析 4.4 |
| 上海中心城区地表温度场的时空探索性分析 第五章 |
| 结论与展望 5.1 |
| 结论 5.2 |
| 建议与展望 附录 |
| 博士期间学术论文发表情况 参考文献 后记 |
（8）遥感影像分类方法比较研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和选题依据 |
| 1.2 遥感图像分类研究现状 |
| 1.3 论文的组织 |
| 第二章 遥感图像 |
| 2.1 遥感 |
| 2.2 遥感图像 |
| 2.3 遥感图像的预处理 |
| 2.3.1 图像校正 |
| 2.3.2 图像增强 |
| 2.4 特征提取和选择 |
| 2.4.1 特征提取的方法 |
| 第三章 图像分类方法 |
| 3.1 遥感图像分类的概念及原理 |
| 3.2 监督分类方法 |
| 3.2.1 最小距离 |
| 3.2.2 Mahalanobis距离(马氏距) |
| 3.2.3 平行体分类 |
| 3.2.4 最大似然/贝叶斯分类 |
| 3.3 非监督分类方法 |
| 3.3.1 K均值分类 |
| 3.3.2 ISODATA分类方法 |
| 3.4 人工神经网络分类 |
| 3.4.1 人工神经网络概述 |
| 3.4.2 人工神经网络在遥感分类中的研究现状 |
| 3.5 模糊分类 |
| 3.5.1 模糊逻辑简介 |
| 3.5.2 模糊隶属度函数 |
| 3.5.3 模糊理论在遥感图像分类中的应用分析 |
| 3.6 图像分类方法比较 |
| 3.6.1 监督分类和非监督分类比较 |
| 3.6.2 人工神经网络分类与传统分类方法比较 |
| 3.6.3 总结 |
| 第四章 遥感地物分类比较实验分析 |
| 4.1 图象预处理 |
| 4.1.1 纹理分析 |
| 4.1.2 直方图均衡化处理 |
| 4.1.3 主成份变换 |
| 4.1.4 色彩变换 |
| 4.2 非监督分类 |
| 4.2.1 分类过程 |
| 4.2.2 分类评价(Evaluate Classification) |
| 4.3 监督分类 |
| 4.3.1 定义分类模板(Define Signature Using signature Editor) |
| 4.3.2 评价分类模板(Evaluating Signatures) |
| 4.3.3 执行监督分类(Perform Supervised Classification) |
| 4.3.4 评价分类结果(Evaluate classification) |
| 4.4 BP网络分类 |
| 4.4.1 准备阶段 |
| 4.4.2 学习阶段 |
| 4.4.3 分类阶段 |
| 4.5 实验比较分析 |
| 4.5.1 分类方法比较 |
| 4.5.2 分类结果分析 |
| 结论 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（9）径向基函数神经网络的遥感图象分类（论文提纲范文）
| 1 引言 |
| 2 分类系统结构 |
| 3 径向基函数神经网络分类器 |
| 3.1 径向基函数神经网络分类器结构 |
| 3.2 网络学习算法 |
| 3.2.1 中心调整算法 |
| 3.2.2 网络权值调整算法 |
| 4 实验结果与分析 |
| 5 结论 |
四、径向基函数神经网络的遥感图象分类（论文参考文献）
- [1]煤岩反射光谱特征及识别方法研究[D]. 杨恩. 中国矿业大学, 2019(04)
- [2]全色遥感图像处理算法改进与目标检测识别优化[D]. 张文坤. 宁夏大学, 2019(02)
- [3]农作物监测高光谱遥感技术研究[D]. 管立新. 深圳大学, 2018(11)
- [4]高光谱图像的分类技术研究[D]. 何同弟. 重庆大学, 2014(11)
- [5]基于多源数据的丘陵区苹果园地信息遥感提取技术研究[D]. 董芳. 山东农业大学, 2012(12)
- [6]径向基函数神经网络集成算法的研究及应用[D]. 朱新荣. 大连理工大学, 2010(05)
- [7]基于遥感数据挖掘定量反演城市化区域地表温度研究[D]. 戴晓燕. 华东师范大学, 2008(12)
- [8]遥感影像分类方法比较研究[D]. 钱茹茹. 长安大学, 2007(03)
- [9]径向基函数神经网络的遥感图象分类[J]. 毛建旭,王耀南. 系统仿真学报, 2001(S2)
- [10]径向基函数神经网络的遥感图象分类[A]. 毛建旭,王耀南. 2001年中国智能自动化会议论文集（上册）, 2001