第一章 绪论 1
1.1目的与意义 1
1.2研究现状概述 2
1.2.1智能化的遥感影像处理手段 2
1.2.2混合像元分解 4
1.2.3亚像元定位 5
1.3面临的问题及挑战 6
第二章 神经网络基本原理 8
2.1神经系统原理 8
2.1.1生物神经元 8
2.1.2计算特性 9
2.2人工神经网络结构 10
2.2.1基本模型结构 10
2.2.2拓扑结构 12
2.3遥感信息处理中的应用方法 13
2.3.1神经网络学习方式 13
2.3.2神经网络学习规则 14
2.4三种典型的神经网络模型 16
2.4.1 BP神经网络模型 16
2.4.2 Fuzzy ARTMAP神经网络模型 18
2.4.3 Hopfield神经网络模型 20
第三章 混合像元分解模型 23
3.1硬分类和混合像元 23
3.2线性混合光谱模型 24
3.2.1数学模型分析 24
3.2.2线性模型的适用性 25
3.3非线性混合光谱模型 26
3.4 BP神经网络的混合分解模型 27
3.4.1 BP神经网络分类实验 28
3.4.2 BP神经网络混合分解实验 31
3.5 Fuzzy ARTMAP神经网络的混合分解模型 35
3.5.1数据源 37
3.5.2步骤及结果分析 37
3.5.3参数设置 40
第四章 端元选择的影响 42
4.1混合像元分解的误差分析 42
4.2端元变化对混合像元分解的影响 43
4.3端元光谱选择的方法 44
4.4基于交叉光谱匹配的端元选择法 45
4.5基于端元选择的混合像元分解实验 46
4.5.1端元可变的线性混合分解实验 46
4.5.2端元可变的神经网络混合分解实验 49
第五章 亚像元定位模型 54
5.1亚像元定位的理论基础 54
5.2基于监督型神经网络的亚像元定位模型 55
5.2.1模拟数据实验 56
5.2.2真实数据实验 57
5.2.3算法分析 59
5.3基于非监督型神经网络的亚像元定位方法 61
5.3.1字体实验及结果分析 63
5.3.2真实数据实验 64
5.4线性优化理论 66
5.5基于进化Agent理论的亚像元定位方法 67
5.5.1进化Agent技术介绍 67
5.5.2进化Agent模型实验分析 69
第六章 综合亚像元定位模型及应用 73
6.1基于端元选择的综合亚像元定位模型 73
6.2基于超分辨率重建的神经网络亚像元定位模型 77
6.2.1重建模型 78
6.2.2改进的BPMAP亚像元定位方法 79
6.2.3实验及比较分析 81
6.3基于融合技术的神经网络亚像元定位模型 85
6.3.1 Gram-Schmidt光谱融合 85
6.3.2选取非固定的本地纯净端元 86
6.3.3改变神经网络的输入端 87
6.3.4实验与结果分析 87
6.4基于亚像元定位的变化检测应用 92
6.4.1亚像元变化的空间分布假设 93
6.4.2算法描述 94
6.4.3实验分析 95
参考文献 102