ARTMAP神经网络模型有一个主要参数:ARTb 中的警戒值ρb。这个参数决定网络映射能力,它的取值与ARTa 中Fa2 层的受限制点个数Ca 成正比的关系:Ca 越大代表测试时映射能力越强,能够反映的特征越多(图3-12)。在这个模型中,通过选取不同的参数值会对结果误差产生不同的影响,当这个参数值取得越小时,速度越快,系统中ARTb 模块只能获取有限的光谱和类别百分比信息;当参数值取得比较大时,能够得到更好的输出结果,提高预测的精确度,同时这样也会增加系统的复杂程度和记忆数量。需要通过实验,取得一个比较适合的ρb 值。在这里,选取ρb=0.95最合适(表3-9)。
通过以上的实验和理论分析表明,利用Fuzzy ARTMAP神经网络进行混合像元的分解,能够取得很好的实验结果,该神经网络算法具有如下两个优点。
(1)网络结构比较简单,计算量小。网络中的神经元是采用竞争、反馈、调整的学习机制,因此在训练过程中只需要少量的样本,不需要迭代很多次,就可以获得比较高的精度,这大大节省了运算时间,特别是在处理高数据量的遥感影像时,优势明显。
图3-12 警戒参数与受限制点个数的关系曲线图(www.xing528.com)
表3-9 不同的警戒值ρb 对应的误差值
(2)适应性强。ARTMAP采用自组织反馈学习算法,兼顾了可塑性和稳定性,因此对噪声的影响不敏感,对于遥感影像的混合像元分解,可以发挥其高度映射和自适应的特点,该算法与传统的线性混合像元分解的方法相比较,更加有效。
以上在分析了Fuzzy ARTMAP神经网络原理的基础上,结合多传感器/多分辨率框架对土地覆盖的描述方法,提出将该神经网络应用于遥感影像的混合像元的分解上来,结果证明利用Fuzzy ARTMAP神经网络做混合像元分解比传统的方法具有更大的优越性,在通过人为地选取适当的警戒参数后,能够获得比较高的精度,是一种较好的遥感影像混合像元分解方法。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。