共查询到19条相似文献,搜索用时 625 毫秒
1.
基于自适应遗传算法和改进BP算法的遥感影像分类 总被引:1,自引:0,他引:1
介绍了采用自适应遗传算法和改进BP算法相结合的混合算法来训练BP网络的方法,即先用自适应遗传算法进行全局训练,再用改进BP算法进行精确训练,以达到加快网络收敛速度和避免陷入局部极小值的目的。结果表明,该算法收敛速度快,分类精度较高。 相似文献
2.
3.
4.
5.
6.
7.
极化合成孔径雷达(POLSAR)由于其能对目标进行更为全面的极化信息的描述,已经成为SAR领域中最先进的传感器之一。本文对模糊集理论中的三种模糊聚类算法进行了系统全面的阐述,并重点研究了基于模糊可能性C均值算法(FPCM)的极化SAR非监督分类方法。 相似文献
8.
9.
自组织神经网络在遥感影像分类中的应用研究 总被引:5,自引:0,他引:5
竞争学习网络与Kohonen神经网络相比,由于不考虑邻域神经元,其网络结构相对简单。采用这种简化的网络结构,并对其学习算法进行改进,用最大、最小距离法设置的初始聚类中心来代替随机初始中心。实验结果表明,用改进的竞争学习网络对遥感影像进行非监督分类,在分类精度和效率上都有较大的提高。 相似文献
10.
为了降低合成孔径雷达(SAR)影像中相干斑对变化检测的影响、减少标注样本的人工成本,该文发展了一种联合分层模糊C均值聚类(FCM)与卷积神经网络的非监督SAR变化检测方法。首先,利用邻域均值比算子计算前后时相的差异图,并利用分层FCM将差异图非监督地初始分割为变化类、非变化类及待确定类别像素;然后,为解决非监督选取样本时出现的样本不均衡问题,提出一种频率不变降采样的数据抽样方法,选取高置信度的变化与非变化样本用于网络训练;最后,利用训练完成的神经网络对待确定类别像素进行分类,得到最终变化结果。采用真实SAR影像数据进行实验。结果表明,该文方法方便有效,具有较高的检测精度。 相似文献
11.
基于GASA混合策略的BP网络在基准地价测算中的应用 总被引:1,自引:0,他引:1
结合遗传算法的并行搜索结构和模拟退火的概率突跳特性 ,提出了一种用于BP网络权值学习的GASA混合策略。以江西省赣县县城商业用地为例 ,应用基于GASA混合策略的BP网络对其基准地价进行了测算 ,并与回归模型方法作了比较。结果表明 ,混合策略能有效地避免BP算法陷入局部极小和网络单目标学习易产生的过拟合现象。将神经网络用于基准地价的测算 ,精度优于常规的回归模型方法。 相似文献
12.
13.
遗传算法作为一种智能优化算法,已广泛应用许多学科及工程领域.本文提出了利用遗传算法对遥感影像增强进行空域操作,设计中构造了一种简单且规一化亮度变换函数,并设计遗传算法实现影像的自适应增强.实验结果表明,该算法处理后质量比传统算法要好. 相似文献
14.
非线性最小残差绝对值和最小平差的遗传算法 总被引:1,自引:1,他引:0
遗传算法是一种基于自然选择和自然遗传学机理的全局优化搜索算法。文章在扼要介绍遗传算法的基础上,设计了非线性残差绝对值和最小的遗传算法,并将其运用于非线性残差绝对值和最小的平差模型中,并通过实例验证了该算法的有效性。 相似文献
15.
行政区划图自动着色的混合遗传算法 总被引:1,自引:0,他引:1
结合贪心算法的局部搜索能力与遗传算法的全局搜索能力,研究了政区图四色着色问题的混合遗传算法,并在此基础上提出了一些改进措施。试验结果表明,这种混合遗传算法能有效地解决行政区划图自动着色问题,并取得了较好的结果。 相似文献
16.
17.
18.
改进的遗传算法在GPS基线解算上的研究 总被引:1,自引:0,他引:1
遗传算法(GA)处理数值优化计算问题具有的简单通用、并行、稳健等特点,因此应用于高精度GPS定位的基线解算过程。针对双差模糊度的整数域和基线向量的实数域解的特性,进行了GA算法改进,包括实数编码的改进、遗传算子及其控制参数等算法设计,提出了基于非线性最小二乘准则的GPS相对定位同步解算基线向量和双差模糊度的优化搜索新方法,避免了分步解算模糊度中对浮点解的依赖性,首次实现了大范围、高精度、整数实数不同域上的同步求解,提高了GPS相对定位的稳定性,也体现了遗传算法的优越性。算例表明改进的实数编码遗传算法对同步解算GPS相对定位是可行有效的。 相似文献
19.
Alireza Chehreghan Rahim Ali Abbaspour 《Journal of the Indian Society of Remote Sensing》2017,45(4):579-590
The challenge of obtaining training data for supervised classifications of satellite images has led researchers to unsupervised algorithms, i.e. cluster analysis. Numerous researches have been conducted to improve quality and decrease uncertainty of results of this analysis. This study proposes a hybrid cost function as well as a hybrid clustering algorithm-Artificial Bee Colony optimization approach for the clustering of high-resolution satellite images. In order to evaluate viability of the proposed methodology, it is compared to some other classic clustering algorithms such as modified K-Means, K-Medoids, Fuzzy C-Means, and Kernel-based Fuzzy C-Means methods over three different study areas selected from a WorldView-2 satellite image. The Shannon entropy technique, Kappa coefficient, compactness, and separation criteria are used as quality and uncertainty indicators for the evaluation. The results of the study show that, compared to other methods, the hybrid algorithm obtained from the proposed cost function, Kernel-based Fuzzy C-Means method, and ABC algorithm provide clustering capabilities of higher quality and lower uncertainty levels. 相似文献