Page 170 - 测绘新技术的理论与实践研究

测绘新技术的理论与实践研究

（1）浅层学习

20 世纪 80 年代末期，用于人工神经网络（Artificial Ncural Network，ANN）
的反向传播（Back Propagation，BP）算法的出现，给机器学习带来了希望，掀
起了基于统计模型的机器学习热潮。利用 BP 算法可以让一个人工神经网络模型
从大量训练样本中学习统计规律，从而对未知事件做预测。这种基于统计的机器

学习方法比起过去基于人工规则的系统，在很多方面显出优越性。这个时候的人
工神经网络，虽也被称作多层感知机（Multi-layer Perceptron），但实际是种只含

有一层隐层节点的浅层模型。20 世纪 90 年代，各种各样的浅层机器学习模型相
继被提出，例如支撑向量机（Support Vector Mac hincs，SVM）、Boosting、最
大嫡方法（如 Logistic Regression，LR）等。这些模型的结构基本上可以看成带
有一层隐层节点（如 SVM、Boosting）或没有隐层节点（如 LR）。这些模型无

论是在理论分析还是应用中都获得了巨大的成功。
①基于神经网络的学习。不少学者都曾利用神经网络对遥感图像分类进行深
入的研究。结合草地、山区自然植被、沙地、沙地灌木地、裸地、居民地、沥青路面、

河边植被、阴影中的山区植被等土地利用类型，比较了 BP 神经网络和最大似然
法在土地利用分类中的优劣性，其中 BP 神经网络的居民地分类精度为 69.1%，
而最大似然法由于将居民地错误的归为河边植被，分类精度仅达到 52.3%。就如
何使用 BP 神经网络对植被信息提取和应用前景进行了综述。在 BP 神经网络模

型的基础上，应用一种基于统升的神经网络的分类器模型，实验证明，能够实现
新类别地物的识别和提取。利用数学形态学构造多尺度的空间特征剖面，并用神
经网络融合形态特征和光谱特征，取得较好的城区提取结果。结合人工神经网络

和遗传算法提取居民地，应用于城市扩张的监测。分别基于 RBF 神经网络和颗
粒神经网络（granular neural networks，GNNs）建立分类器，用于地物提取。随
着机器学习的不断发展，越来越多的学者将智能算法也引入了极化 SAR 图像分
解中以提高分类精度和效率。等人将利用神经网络对 SAR 图像进行分类，提取

地物。
有学者利用 NOAA 数据，基于神经网络方法解决图像分辨率低导致的混合

像元问题，水稻的提取精度有所提高。应用人工神经网络模型对陆地卫星 TM 多
光谱图像进行了森林植被分类的研究。与常规的最大似然法相比，存在同谱异
物现象的不同树种的提取精度平均提高了 27.5 个百分点。将 Kohoncn 神经网络

158