遗传算法优化确定BP神经网络的遥感图像分类

传统的BP神经网络对于遥感图像的分类精度较低,因此设计一种遗传算法优化确定BP神经网络的遥感图像分类方法。通过建立神经元数学模型,分析其传递信息的过程,求取BP网络误差权及最优解,分析遥感图像中不同波段的差别并进行预处理,利用OIF指数来确定参与分类的波段最优组合,建立图像分类体系并确定土地类型,通过输出矩阵向量完成遥感图像土地类型的分类。利用传统分类方法和设计的方法对相同的遥感图像进行实验,实验结果表明,设计方法的分类精度比传统方法高出9.08%。

一种新型脉冲神经元模型及其网络的研究

目的提出一种新型脉冲神经元模型及其网络,描述其建模方法,并用计算机模拟验证其性能。方法在充分考虑生物学适应性(激活电位阈值和不应期开关),及其对尖峰放电脉冲产生及其传导的动态调节机制基础上,在新型脉冲神经元模型中引入了突出后电位多通道滤波器,实现了输出电流及神经元突触强度的动态调节。提出基于自适应最小均方(LMS)的误差反向传播(BP)学习算法,并将其应用于尖峰放电神经网络的调节。结果在自发噪声下,新型脉冲神经元模型的尖峰放电间期信号直方图满足泊松分布。通过2个新型脉冲神经元的简单连接,可以形成多种复杂的尖峰放电模式。新型脉冲神经元模型具有自发本征噪声的特征,能够形成复杂的周期尖峰放电模式。对于输入噪声控制,该模型的不应期与门限电位适应性参数的稳定性较好。刺激电流-尖峰放电脉冲频率间的线性关系较好。结论所提出的新型脉冲神经元模型在自发噪声条件下能产生多种模式的振荡和相干振荡,这与生物神经元极其相似,能实现复杂的噪声信号处理。所采用的具有不同频带的多通道突触后电位滤波器,能使一些突触后电位信号变得平稳。所提出的基于于自适应LMS的BP学习算法克服了尖峰放电信号的瞬态变化特性导致的误差驱动学习算法无法应用的问题。