资源描述：
《粗集约简的神经网络集成在遥感影像分类中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、致谢本论文的撰写是在我导师武文波教授的细心指导和精心指导下完成的。武老师严谨务实的治学态度，开拓创新的学术作风，勤勉踏实的工作态度，平易近人的高尚品德等等对我在做人、治学和生活等多方面对我的影响非常深远。在此，谨向导师致以崇高的敬意和真诚的感谢。感谢我的母校辽宁工程技术大学，给了我一个攻读硕士的机会让我更加的成熟。衷心感谢辽宁工程技术大学的杨帆老师的谆谆教诲，衷心感谢钱建国老师、李玉老师、张冬梅老师等在生活和学习上对我的帮助。感谢中国测绘科学研究院杨景辉老师给我的支持与帮助，他给我提供了大量的文献资料和有
2、益建议，在和他的多次请教讨论中，他不吝分享自己的研究心得和经验成果。衷心感谢师姐丁昊、张丽霞，杨皓月等感谢他们在我的论文研究过程中给我的支持和帮助，感谢宿舍的姐妹们、同实验室和同窗的同学谢谢你们的帮助。由衷的感谢我的父母及我的家人，当我处于最困难的时候由你们无怨无悔的帮助，使我坚强的克服每一个困难，当你们的亲人我感到骄傲和温馨。最后向所有关心、支持、帮助过我的人们致以崇高的敬意！摘要随着遥感卫星的发展与应用，遥感图像分类备受关注，而计算机模式识别成为当前分类的一个重要手段。模式识别中的神经网络在遥感图像分
3、类中得到了广泛的应用。但是基于神经网络不能简化信息空间维数，不能判断冗余信息。粗糙集理论是处理不确定和模糊知识的工具，在大量的数据中粗糙集理论可以提取知识的相关性，从中发现隐含的知识和揭示潜在的规律，通过约简去除冗余信息。为了降低空间维数，将粗糙集与神经网络结合，构建分类模型。本文利用它们各自的优势，将粗糙集与神经网络结合，构造了一种分类模型。首先介绍了粗糙集的基本理论，详细的介绍了粗糙集的属性约简原理。粗糙集约简的方法有很多，本文中应用基于遗传算法的属性约简算法，介绍了它的理论基础。其次，对神经网络基础
4、知识做了系统介绍，利用基于属性约简后的数据，用BP神经网络对遥感影像分类经过实验证明该方法的有效性。最后，提出一种基于粗糙集约简的神经网络集成方法，利用Boosting或Bagging算法生成多个相关性小的个体网络对个体网络集成，对此进行实验并取得了良好的效果。关键词：神经网络；糙集；约简；分类-I-AbstractWiththedevelopmentandapplicationoftheremotesensingsatellite,remotesensingimageclassificationhasa
5、ttractedmuchattention,andcomputerpatternrecognitionhasbecomeanimportantmethodofclassification.Patternrecognitionofneuralnetworkinclassificationofremotesensingimagehasbeenwidelyused,butbasedonneuralnetworkcan'tsimplifiedinformationspacedimension,couldnotde
6、terminetheredundantinformation.Roughsettheoryisuncertainandfuzzyknowledgetools,inalargenumberofdatainroughsettheorycanextractknowledgecorrelation,findhiddenknowledgeandrevealthelatentrule,throughreductiontoremoveredundantinformation.Inordertoreducespacedi
7、mension,roughsetandneuralnetwork,constructingclassificationmodelcombined.Thispaper,byusingtheirrespectiveadvantages,roughsetandneuralnetworkcombinedwith,toconstructaclassificationmodel.Useoftheirrespectiveadvantages,roughsetandneuralnetworkcombinedwith,to
8、constructaclassificationmodel.RoughreductionintensiveJane'smanymethods,thispaperbasedonthegeneticalgorithmisusedintheattributereductionalgorithm,thispaperintroducesitstheoreticalbasis.Secondly,basedonneuralnetworkis
