基于输入扩展改进的bp网络及其在遥感图像分类中的应用

基于输入扩展改进的bp网络及其在遥感图像分类中的应用

ID:5328889

大小:106.23 KB

页数:3页

时间:2017-12-08

基于输入扩展改进的bp网络及其在遥感图像分类中的应用_第1页
基于输入扩展改进的bp网络及其在遥感图像分类中的应用_第2页
基于输入扩展改进的bp网络及其在遥感图像分类中的应用_第3页
资源描述:

《基于输入扩展改进的bp网络及其在遥感图像分类中的应用》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、2007年第24卷第12期微电子学与计算机171基于输入扩展改进的BP网络及其在遥感图像分类中的应用张俊本,李朝峰,尹汪宏(江南大学信息工程学院,江苏无锡214122)摘要:提出了一种基于输入模式扩展的神经网络改进方法,并和Levenberg-Marquardt优化的BP网络(LMBPN)进行了对比。通过二阶内积或切比雪夫多项式等非线性函数,把输入向量映射到更高维的模式空间,可以增强样本的可分性。Iris数据和遥感图像分类实验表明,输入模式扩展的神经网络改进方法可以进一步加快收敛速度,改进模式分类效果。关键词:输入扩展;L

2、evenberg-Marquardt算法;BP网络;遥感图像分类中图分类号:TP301文献标识码:A文章编号:1000-7180(2007)12-0171-03Input-Expansion-BasedImprovedMethodforBPNetworkandItsApplicationforRemoteSensingImageClassificationZHANGJun-ben,LIChao-feng,YINWang-hong(SchoolofInformationEngineering,SouthenYangtzeUn

3、iversity,Wuxi214122,China)Abstract:Thepaperpresentsaninput-expansion-basedimprovedmethodforNeuralNetwork,andmakecamparisonforLevenberg-MarquardtoptimizedBack-PropagationNetwork(LMBPN).Usingsecond-orderinnerproductfunctionorChebyshevpolynomialfunctiontoexpandinputv

4、ectorofsamples,whichmakesthemmappedintoahigher-dimensionalpatternspaceandthusleadstothesamplesetsmoreeasilyseparable.Irisdataandremotesensingdataclassificationexperimentsshowthatinput-expansionmethodmayefficientlyenhancetheconvergencevelocityandclassificationaccu-

5、racyforneuralnetwork.Keywords:inputexpansion;levenberg-marquardtalgorithm;BPnetwork;remotesensingimageclassification1引言传播和反向传播组成,在正向传播过程中,输入向人工神经网络由于其非线性、容错性、自适应量从输入层经隐层逐层处理,并传向输出层;如果性等特征,近年来在遥感图像分类中得到了广泛的在输出层不能得到期望的输出,则计算误差,将误应用。其中采用误差反向传播(BP)算法训练的多层差信号按联接通路反向传播,

6、由梯度下降法调整各感知器是最为常用的,但由于标准的BP算法存在层神经元的权值,使误差信号减小,直到误差满足收敛速度缓慢、易陷入局部极小值等缺点,人们提给定要求或达到指定的迭代次数,训练结束。出了附加动量法、共轭梯度法、牛顿法、Levenberg-LMBP算法是所有BP改进算法中速度最快的[1~3]算法之一[4]Marquardt优化等多种改进方法,但由于遥感图像,由Levenberg与Marquardt最早提出,实数据本身的复杂性,这些算法仍有局限。际上是梯度下降法和牛顿法的结合,网络所有输出文中提出一种输入模式扩展的神经

7、网络改进的误差平方和为方法,实验结果表明这一改进可进一步提高神经网n12E=2!(tj-aj)(1)络分类效果。j=1式中,t为第j个样本的期望输出,a为第j个样本的jj2LMBP算法简介实际输出,LMBP算法的权值调整公式为BP网络是误差反向传播神经网络的简称,是一wk=wk-1+Δwk(2)种典型的多层前向网络。BP算法的学习过程由正向T-1TΔwk=-[JJ+!kI]J(tk-1-ak-1)(3)收稿日期:2006-11-02式中,J为雅可比矩阵,I为一单位矩阵,J的元素为172微电子学与计算机2007年第24卷第1

8、2期!(t-a)表1Iris数据集测试结果jjJi,j=(4)!w模型Setosa(%)Versicolor(%)Virginica(%)时间(s)iLMBPN10092.592.53.03式中,"k为一可变参数,当"k很小时,变为牛顿法,IELMBPN10095952.12很大则成为梯度下降法[5,6

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。