基于改进的神经网络在土地利用信息提取中的研究
|
摘要
随着社会发展和人口的过度膨胀，人类对土地利用的改造程度不断加深，土地类型变化加速。如何快速识别土地利用类型，有效地进行土地分类，成为土地资源研究的重点问题，而遥感技术的快速发展为土地利用监测提供了便利。
多层感知器前馈神经网络（BP网络）是应用最广泛的神经网络模型之一。然而标准BP网络具有收敛速度缓慢、训练过程易陷入局部极小值等问题。本论文依托MATLAB软件平台，对标准BP网络在网络结构和学习算法等方面进行改进，并在土地利用信息提取中实现。论文取得的研究成果如下。
1）论文针对标准BP网络的局限性，从以下几个方面进行了改进：①对BP神经网络结构进行深入研究，提出采用黄金分割法与遗传算法结合寻求最优隐含层节点个数，并且获得网络初始化权重参数；②针对标准BP算法运算过程中收敛缓慢和局部极小值的问题，论文将现有各种改进算法进行归纳总结，对比各种改进算法的运算效率和内存需求，并通过实验确定弹性算法为最优学习算法；③为保证BP网络能够有效的学习，对输入数据统一进行规则化处理，同时对BP网络分类输出数据进行去模糊化处理；④探讨了影响BP网络泛化能力的因素和提高泛化能力的方法。
2）通过对标准BP网络在网络结构、学习算法、泛化能力、数据处理等方面的分析和改进，提出了改进型BP神经网络在土地利用分类中的流程，并以RapidEye为遥感数据源，以北京市密云县露天采矿区为研究区域进行土地利用分类，取得了较好的效果。
3）为了全面评价分类结果，论文将改进型BP网络与标准BP网络、极大似然法分类结果进行对比，从分类精度、分类效率和分类图美观度三个方面分别进行定量评价。结果证明改进后的BP算法无论在分类精度、分类效率和分类图的美观可读性方面都具有优势，可以作为一个具有潜力的分类方法继续应用和研究。
With social development and population expansion, the land use reform isbecoming deeper and the types of land use are rapidly changed, therefore how fastand efficiently do we identify and classify the types of land use is the hot spot in landmanagement research. Fortunately, the rapid development of remote sensingtechnology provides a convenience.
Back propagation neural network (BP network in short) is one of the most widelyused neural networks. Nevertheless, standard BP network has some drawbacks likeslow convergence speed and tendency towards converge to local minimum, etc. Basedo the MATLAB software, this thesis puts forward a new BP network by improving thestandard BP network in the respects of network structure, learning algorithm, dataprocessing and generalization ability, and then conducts land use classification inMiyun mining area, Beijing. The research includes:
1) Some improvements are made according to standard BP network:①Aftermakingdeep research on the structure of BP network, the thesis combines golden sectionmethod with genetic algorithm to obtain the node number of hidden layer andinitial connection weight;②Determine the optimal learning algorithm bydiscussing some frequently used learning algorithms in terms of operationalefficiency and memory requirement;③Normalizethe input data to ensure BPnetwork learning effectively, and de-fuzzy the output data.④Discuss both thefactors that influence the BP network generalization ability and the methods whichcan improve it.
2) This thesis conducts land cover classification after preprocessing the RapidEyeremote sensing data in opening mining area of Miyun county, Beijing using theimproved BP network and achieves good results.
3) In order to evaluate the classification results comprehensively, this thesiscompares results of improved BP network with those of maximum likelihoodmethod and standard BP network from three perspectives, which are classificationaccuracy, classification efficiency and appearance of classification maps. Theresults prove that the improved BP network proposed in this thesis has more advantages than the other two methods, and can be used as a potentialclassification method in Information Extraction and land use classification.
多层感知器前馈神经网络（BP网络）是应用最广泛的神经网络模型之一。然而标准BP网络具有收敛速度缓慢、训练过程易陷入局部极小值等问题。本论文依托MATLAB软件平台，对标准BP网络在网络结构和学习算法等方面进行改进，并在土地利用信息提取中实现。论文取得的研究成果如下。
1）论文针对标准BP网络的局限性，从以下几个方面进行了改进：①对BP神经网络结构进行深入研究，提出采用黄金分割法与遗传算法结合寻求最优隐含层节点个数，并且获得网络初始化权重参数；②针对标准BP算法运算过程中收敛缓慢和局部极小值的问题，论文将现有各种改进算法进行归纳总结，对比各种改进算法的运算效率和内存需求，并通过实验确定弹性算法为最优学习算法；③为保证BP网络能够有效的学习，对输入数据统一进行规则化处理，同时对BP网络分类输出数据进行去模糊化处理；④探讨了影响BP网络泛化能力的因素和提高泛化能力的方法。
2）通过对标准BP网络在网络结构、学习算法、泛化能力、数据处理等方面的分析和改进，提出了改进型BP神经网络在土地利用分类中的流程，并以RapidEye为遥感数据源，以北京市密云县露天采矿区为研究区域进行土地利用分类，取得了较好的效果。
3）为了全面评价分类结果，论文将改进型BP网络与标准BP网络、极大似然法分类结果进行对比，从分类精度、分类效率和分类图美观度三个方面分别进行定量评价。结果证明改进后的BP算法无论在分类精度、分类效率和分类图的美观可读性方面都具有优势，可以作为一个具有潜力的分类方法继续应用和研究。
With social development and population expansion, the land use reform isbecoming deeper and the types of land use are rapidly changed, therefore how fastand efficiently do we identify and classify the types of land use is the hot spot in landmanagement research. Fortunately, the rapid development of remote sensingtechnology provides a convenience.
Back propagation neural network (BP network in short) is one of the most widelyused neural networks. Nevertheless, standard BP network has some drawbacks likeslow convergence speed and tendency towards converge to local minimum, etc. Basedo the MATLAB software, this thesis puts forward a new BP network by improving thestandard BP network in the respects of network structure, learning algorithm, dataprocessing and generalization ability, and then conducts land use classification inMiyun mining area, Beijing. The research includes:
1) Some improvements are made according to standard BP network:①Aftermakingdeep research on the structure of BP network, the thesis combines golden sectionmethod with genetic algorithm to obtain the node number of hidden layer andinitial connection weight;②Determine the optimal learning algorithm bydiscussing some frequently used learning algorithms in terms of operationalefficiency and memory requirement;③Normalizethe input data to ensure BPnetwork learning effectively, and de-fuzzy the output data.④Discuss both thefactors that influence the BP network generalization ability and the methods whichcan improve it.
2) This thesis conducts land cover classification after preprocessing the RapidEyeremote sensing data in opening mining area of Miyun county, Beijing using theimproved BP network and achieves good results.
3) In order to evaluate the classification results comprehensively, this thesiscompares results of improved BP network with those of maximum likelihoodmethod and standard BP network from three perspectives, which are classificationaccuracy, classification efficiency and appearance of classification maps. Theresults prove that the improved BP network proposed in this thesis has more advantages than the other two methods, and can be used as a potentialclassification method in Information Extraction and land use classification.
引文
Amini,J. Optimum Learning Rate in Back-Propagation Neural Network for Classification ofSatellite Images (IRS-1D). Scientia Iranica,2008,15(6):558~567
Benz, U.C., Hofmann, P., Willhauck, G., Lingenfelder, I. and Heynen, M.. Multi-resolution,object-oriented fuzzy analysis of remote sensing data for GISready information. ISPRSJournal of Photogrammetry&Remote Sensing,2004,58:239~258
Hosseini Aria, E., J. Amini and M.R. Saradjian,. Back propagation neural network forclassification of IRS-1D satellite images", Proceedings of the Conference of High ResolutionMapping from Space,2003
J.R. Otukei, T. Blaschke. Land cover change assessment using decision trees, support vectormachines and maximum likelihood classification algorithms. International Journal of AppliedEarth Observation and Geoinformation,2010,12:27~31
Lu, D., Weng, Q.. A survey of image classification methods and techniques for improvingclassification performance. International Journal of Remote Sensing,2007,28(5),823~870
M. Mokhtarzade, M.J. Valadan Zoej. Road detection from high-resolution satellite images usingartificial neural networks. International Journal of Applied Earth Observation andGeoinformation,2007,9:32~40
Marco Castellani, Hefin Rowlands. Evolutionary Artificial Neural Network Design and Trainingfor wood veneer classification. Engineering Applications of Artificial Intelligence,2009,22:732~741
Mather, P.M.. Computer Processing of Remotely Sensed Images: An Introduction. West Sussex,England: John Willey and Sons Ltd,2004.203~248
Mohapatra, R. P., Wu, C. Sub-pixel imperviousness estimation with IKONOS image: an artificialneural network approach. In Q. Weng&B. Rato (Eds.), Remote Sensing of ImperviousSurfaces. FL: CRC Press, Taylor and Francis Group,2007:21~38
RapidEye AG. RapidEye标准影像产品介绍Version3.1.2011.2:1～6
Robert A. Schowengerdt.遥感图像处理模型与方法（第三版）（微波成像技术国家重点实验室译）北京：电子工业出版社，2010.121～151
S.B.Serpico, L.Bruzzone, F.Roli. An experimental comparison of neural and statisticalnon-parametric algorithms for supervised classification of remote-sensing images. PatternRecognition Letters,1996,17:1331~1341
Sun Jiping, Chen Wei, Ma Fengying, et al. Classification of Infrared Monitor Images of CoalUsing an Feature Texture Statistics and Improved BP Network. Journal of China Universityof Mining&Technology,2007,17(4):489～493
Taskin Kavzoglu. Increasing the accuracy of neural network classification using refined trainingdata. Environmental Modelling&Software,2009,24:850~858
Walter, V.. Object-based classification of remote sensing data for change detection. ISPRS Journalof Photogrammetry&Remote Sensing,2004,58:225~238
陈继光. MATLAB与自适应神经网络模糊推理系统.济南：山东省地图出版社，2002
戴芹，刘建波.基于蚁群规则挖掘算法的多特征遥感数据分类.地理研究，2009，28（4）：1136～1144
丁世飞，苏春阳.基于遗传算法的优化BP神经网络算法与应用研究.见：第二十九届中国控制会议论文集.北京:北京航空航天大学出版社.2010
高大启.有教师的线性基本函数前向三层神经网络结构研究.计算机学报，1998，21（1）：80～85
高凯，周志翔，滕明君.基于知识分类法的TM遥感影像景观分类制图——以武汉市为例.山东建筑大学学报，2010,25（4）：456～459
韩力群.人工神经网络教程.北京：北京邮电大学出版社，2006
何念鹏，周道玮，吴泠，等.人为干扰强度对村级景观破碎度的影响.应用生态学报.2001，12（6）：897～899
侯飞，胡召玲.基于多尺度分割的煤矿区典型地物遥感信息提取.测绘通报，测绘通报，2012，1：22～25
侯伟，鲁学军，张春晓，等.面向对象的高分辨率影像信息提取方法研究——以四川理县居民地提取为例.地球信息科学学报，2010，12（1）：191～124
黄玮，刘卫民，王旭.基于遗传算法的BP网络最优权值算法.昆明冶金高等专科学校学报，2006，22（5）：37～43
贾海峰，刘雪华，等.环境遥感原理与应用.北京：清华大学出版社.2006，3：227～229
蒋捷峰.基于BP神经网络的高分辨率遥感影像分类研究：[硕士学位论文].北京：首都师范大学，2011
可华明，陈朝镇，张新合，王金亮.基于Matlab的GA‐BPNN遥感图像分类.西南科技大学学报，2010，25（3）：56～59
雷英杰等. matlab遗传算法工具箱及应用.西安：西安电子科技大学出版社，2005,4:149～151
李朝锋，曾生根，许磊.遥感图像智能处理.北京：电子工业出版社，2007
李哈滨，Franklin J F．景观生态学——生态学领域里的新概念构架．生态学进展，1988，（1）：23～33
李海洋，范文义.基于概率神经网络的遥感图像分类MATLAB实现.东北林业大学学报，2008,36（6）：55～56
李锦辉，李成辉，吴波.基于样区纯化的BP神经网络多光谱影像分类研究.长江科学院院报.2006，23（6）：51～54
刘小平，黎夏，何晋强，等.基于蚁群智能的遥感影像分类新方法.遥感学报，2008，12（2）：253～260
柳钦火，辛晓洲，吴炳芳，等.定量遥感模型、应用及不确定性研究.北京：科学出版社，2010：148～152
卢洵.基于遗传算法的神经网络优化的研究.信息工程学院学报，1999,18（3）：18～20
骆成凤，刘正军，王长耀，牛铮.基于遗传算法优化的BP神经网络遥感数据土地覆盖分类.农业工程学报,2006，22(12):133～137
毛建旭，王耀南.径向基函数神经网络的遥感图象分类.系统仿真学报，2001,13:146～147
裴亮，谭阳，李文.基于变差函数和神经网络的遥感影像分类.遥感信息，2009，1:60～65
《全国土地利用总体规划纲要》(2006-2020年)，2008,10
孙家抦.遥感原理与应用.武汉：武汉大学出版社,2003
谭琨，杜培军.基于径向基函数神经网络的高光谱遥感图像分类.光谱学与光谱分析，2008，28（9）：2009～2013
唐云，罗俊松.基于粗糙集和BP神经网络的文本分类研究.计算机仿真，2011,28（6）：219～222
童小华，张学，刘妙龙.遥感影像的神经网络分类及遗传算法优化.同济大学学报(自然科学版)，2008，36（7）：986～989
王崇倡，武文波，张建平.基于BP神经网络的遥感影像分类方法.辽宁工程技术大学学报（自然科学版），2009，28（1）：32～35
王红娟，姜加虎，黄群.基于知识的洞庭湖湿地遥感分类方法.长江流域资源与环境，2008，17（3）：370～373
王金亮，李石华，陈姚.基于自组织神经网络的遥感图像分类应用研究.遥感信息，2006，3：6～9
王璐，刘艳华，刘振华.基于基本竞争型神经网络的TM影像分类研究.西北农林科技大学学报(自然科学版)，2009，37（8）:154～160
王小平，曹立明.遗传算法——理论、应用于软件实现.西安：西安交通大学出版社，2002,1
王新洲，史文中，王树良.模糊空间信息处理.武汉：武汉大学出版社，2003
王旭，王宏，王文辉.人工神经元网络原理与应用（第2版）.沈阳：东北大学出版社，2007
王雪光，郭艳兵，齐占庆.激活函数对BP网络性能的影响及其仿真研究.自动化技术与应用，2002，21（4）：15～17
王雪梅，柴仲平，塔西甫拉提·特依拜，等. BP神经网络算法在土地覆盖分类中的应用研究——以新疆于田绿洲为例.新疆农业科学，2009，46(1)：142～146
王正盛. MATLAB数学工具软件实例简明教程.南京：南京航空航天大学，2002
韦玉春，汤国安，杨昕.遥感数字图像处理教程.北京：科学出版社，2007:109～120
夏克文，李昌彪，沈钧毅.前向神经网络隐含层节点数的一种优化算法.计算机科，2005，32（10）：143～145
徐庐生.微机神经网络.北京：中国医药科技出版社，1995
许海波，刘端阳，胡同森.基于改良蚁群算法的神经网络分类规则提取.计算机系统应用，2011，20（7）：81～85
阎平凡，张长水.人工神经网络与模拟进化计算（第二版）.北京：清华大学出版社，2005
阳凡林，刘经南，赵建虎，独知行.基于遗传算法的BP网络实现海底底质分类.测绘科学，2006，31（2）：111～114
杨希，王鹏.基于BP神经网络的高分辨率遥感影像分类.测绘，2011，34（3）：115～118
余新晓，牛键植，关文彬，等.景观生态学.北京：高等教育出版社.2006.1：280～294
张建宏.基于混沌神经网络的分类算法.计算机科学，2010，37（8）：251～252
章孝灿，黄智才，戴企成，等.遥感数字图像处理（第二版）.杭州：浙江大学出版社，2008：127～131
中华人民共和国国土资源部. GB/T21010-2007.土地利用现状分类标准.北京：中国标准出版社,2007-08-01
周长英.基于改进的模糊BP神经网络图像分割算法.计算机仿真，2011，28（4）：287～290
周开利，康耀红.神经网络模型及其MATLAB仿真程序设计.北京：清华大学出版社，2005
朱国龙，汪云甲，乔浩然，等.高分辨率遥感图像最近邻模糊分类器的研究及实现.测绘科学，2010，35（6）：96～98
左大康.现代地理学词典[M].北京：商务印书馆，1990
Benz, U.C., Hofmann, P., Willhauck, G., Lingenfelder, I. and Heynen, M.. Multi-resolution,object-oriented fuzzy analysis of remote sensing data for GISready information. ISPRSJournal of Photogrammetry&Remote Sensing,2004,58:239~258
Hosseini Aria, E., J. Amini and M.R. Saradjian,. Back propagation neural network forclassification of IRS-1D satellite images", Proceedings of the Conference of High ResolutionMapping from Space,2003
J.R. Otukei, T. Blaschke. Land cover change assessment using decision trees, support vectormachines and maximum likelihood classification algorithms. International Journal of AppliedEarth Observation and Geoinformation,2010,12:27~31
Lu, D., Weng, Q.. A survey of image classification methods and techniques for improvingclassification performance. International Journal of Remote Sensing,2007,28(5),823~870
M. Mokhtarzade, M.J. Valadan Zoej. Road detection from high-resolution satellite images usingartificial neural networks. International Journal of Applied Earth Observation andGeoinformation,2007,9:32~40
Marco Castellani, Hefin Rowlands. Evolutionary Artificial Neural Network Design and Trainingfor wood veneer classification. Engineering Applications of Artificial Intelligence,2009,22:732~741
Mather, P.M.. Computer Processing of Remotely Sensed Images: An Introduction. West Sussex,England: John Willey and Sons Ltd,2004.203~248
Mohapatra, R. P., Wu, C. Sub-pixel imperviousness estimation with IKONOS image: an artificialneural network approach. In Q. Weng&B. Rato (Eds.), Remote Sensing of ImperviousSurfaces. FL: CRC Press, Taylor and Francis Group,2007:21~38
RapidEye AG. RapidEye标准影像产品介绍Version3.1.2011.2:1～6
Robert A. Schowengerdt.遥感图像处理模型与方法（第三版）（微波成像技术国家重点实验室译）北京：电子工业出版社，2010.121～151
S.B.Serpico, L.Bruzzone, F.Roli. An experimental comparison of neural and statisticalnon-parametric algorithms for supervised classification of remote-sensing images. PatternRecognition Letters,1996,17:1331~1341
Sun Jiping, Chen Wei, Ma Fengying, et al. Classification of Infrared Monitor Images of CoalUsing an Feature Texture Statistics and Improved BP Network. Journal of China Universityof Mining&Technology,2007,17(4):489～493
Taskin Kavzoglu. Increasing the accuracy of neural network classification using refined trainingdata. Environmental Modelling&Software,2009,24:850~858
Walter, V.. Object-based classification of remote sensing data for change detection. ISPRS Journalof Photogrammetry&Remote Sensing,2004,58:225~238
陈继光. MATLAB与自适应神经网络模糊推理系统.济南：山东省地图出版社，2002
戴芹，刘建波.基于蚁群规则挖掘算法的多特征遥感数据分类.地理研究，2009，28（4）：1136～1144
丁世飞，苏春阳.基于遗传算法的优化BP神经网络算法与应用研究.见：第二十九届中国控制会议论文集.北京:北京航空航天大学出版社.2010
高大启.有教师的线性基本函数前向三层神经网络结构研究.计算机学报，1998，21（1）：80～85
高凯，周志翔，滕明君.基于知识分类法的TM遥感影像景观分类制图——以武汉市为例.山东建筑大学学报，2010,25（4）：456～459
韩力群.人工神经网络教程.北京：北京邮电大学出版社，2006
何念鹏，周道玮，吴泠，等.人为干扰强度对村级景观破碎度的影响.应用生态学报.2001，12（6）：897～899
侯飞，胡召玲.基于多尺度分割的煤矿区典型地物遥感信息提取.测绘通报，测绘通报，2012，1：22～25
侯伟，鲁学军，张春晓，等.面向对象的高分辨率影像信息提取方法研究——以四川理县居民地提取为例.地球信息科学学报，2010，12（1）：191～124
黄玮，刘卫民，王旭.基于遗传算法的BP网络最优权值算法.昆明冶金高等专科学校学报，2006，22（5）：37～43
贾海峰，刘雪华，等.环境遥感原理与应用.北京：清华大学出版社.2006，3：227～229
蒋捷峰.基于BP神经网络的高分辨率遥感影像分类研究：[硕士学位论文].北京：首都师范大学，2011
可华明，陈朝镇，张新合，王金亮.基于Matlab的GA‐BPNN遥感图像分类.西南科技大学学报，2010，25（3）：56～59
雷英杰等. matlab遗传算法工具箱及应用.西安：西安电子科技大学出版社，2005,4:149～151
李朝锋，曾生根，许磊.遥感图像智能处理.北京：电子工业出版社，2007
李哈滨，Franklin J F．景观生态学——生态学领域里的新概念构架．生态学进展，1988，（1）：23～33
李海洋，范文义.基于概率神经网络的遥感图像分类MATLAB实现.东北林业大学学报，2008,36（6）：55～56
李锦辉，李成辉，吴波.基于样区纯化的BP神经网络多光谱影像分类研究.长江科学院院报.2006，23（6）：51～54
刘小平，黎夏，何晋强，等.基于蚁群智能的遥感影像分类新方法.遥感学报，2008，12（2）：253～260
柳钦火，辛晓洲，吴炳芳，等.定量遥感模型、应用及不确定性研究.北京：科学出版社，2010：148～152
卢洵.基于遗传算法的神经网络优化的研究.信息工程学院学报，1999,18（3）：18～20
骆成凤，刘正军，王长耀，牛铮.基于遗传算法优化的BP神经网络遥感数据土地覆盖分类.农业工程学报,2006，22(12):133～137
毛建旭，王耀南.径向基函数神经网络的遥感图象分类.系统仿真学报，2001,13:146～147
裴亮，谭阳，李文.基于变差函数和神经网络的遥感影像分类.遥感信息，2009，1:60～65
《全国土地利用总体规划纲要》(2006-2020年)，2008,10
孙家抦.遥感原理与应用.武汉：武汉大学出版社,2003
谭琨，杜培军.基于径向基函数神经网络的高光谱遥感图像分类.光谱学与光谱分析，2008，28（9）：2009～2013
唐云，罗俊松.基于粗糙集和BP神经网络的文本分类研究.计算机仿真，2011,28（6）：219～222
童小华，张学，刘妙龙.遥感影像的神经网络分类及遗传算法优化.同济大学学报(自然科学版)，2008，36（7）：986～989
王崇倡，武文波，张建平.基于BP神经网络的遥感影像分类方法.辽宁工程技术大学学报（自然科学版），2009，28（1）：32～35
王红娟，姜加虎，黄群.基于知识的洞庭湖湿地遥感分类方法.长江流域资源与环境，2008，17（3）：370～373
王金亮，李石华，陈姚.基于自组织神经网络的遥感图像分类应用研究.遥感信息，2006，3：6～9
王璐，刘艳华，刘振华.基于基本竞争型神经网络的TM影像分类研究.西北农林科技大学学报(自然科学版)，2009，37（8）:154～160
王小平，曹立明.遗传算法——理论、应用于软件实现.西安：西安交通大学出版社，2002,1
王新洲，史文中，王树良.模糊空间信息处理.武汉：武汉大学出版社，2003
王旭，王宏，王文辉.人工神经元网络原理与应用（第2版）.沈阳：东北大学出版社，2007
王雪光，郭艳兵，齐占庆.激活函数对BP网络性能的影响及其仿真研究.自动化技术与应用，2002，21（4）：15～17
王雪梅，柴仲平，塔西甫拉提·特依拜，等. BP神经网络算法在土地覆盖分类中的应用研究——以新疆于田绿洲为例.新疆农业科学，2009，46(1)：142～146
王正盛. MATLAB数学工具软件实例简明教程.南京：南京航空航天大学，2002
韦玉春，汤国安，杨昕.遥感数字图像处理教程.北京：科学出版社，2007:109～120
夏克文，李昌彪，沈钧毅.前向神经网络隐含层节点数的一种优化算法.计算机科，2005，32（10）：143～145
徐庐生.微机神经网络.北京：中国医药科技出版社，1995
许海波，刘端阳，胡同森.基于改良蚁群算法的神经网络分类规则提取.计算机系统应用，2011，20（7）：81～85
阎平凡，张长水.人工神经网络与模拟进化计算（第二版）.北京：清华大学出版社，2005
阳凡林，刘经南，赵建虎，独知行.基于遗传算法的BP网络实现海底底质分类.测绘科学，2006，31（2）：111～114
杨希，王鹏.基于BP神经网络的高分辨率遥感影像分类.测绘，2011，34（3）：115～118
余新晓，牛键植，关文彬，等.景观生态学.北京：高等教育出版社.2006.1：280～294
张建宏.基于混沌神经网络的分类算法.计算机科学，2010，37（8）：251～252
章孝灿，黄智才，戴企成，等.遥感数字图像处理（第二版）.杭州：浙江大学出版社，2008：127～131
中华人民共和国国土资源部. GB/T21010-2007.土地利用现状分类标准.北京：中国标准出版社,2007-08-01
周长英.基于改进的模糊BP神经网络图像分割算法.计算机仿真，2011，28（4）：287～290
周开利，康耀红.神经网络模型及其MATLAB仿真程序设计.北京：清华大学出版社，2005
朱国龙，汪云甲，乔浩然，等.高分辨率遥感图像最近邻模糊分类器的研究及实现.测绘科学，2010，35（6）：96～98
左大康.现代地理学词典[M].北京：商务印书馆，1990
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |