ARTMAP神经网络模型的参数设置及其优化建议

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。