Question

神经网络研究现状

Answer 1

光谱分析因其能够灵敏、高精度、无破坏、快速地检测物质的化学成分和相对含量而广泛应用于分析化学、生物化学与分子生物学、农业、医学等领域。目前，光谱分析技术日趋成熟，引入光谱分析理论的高光谱遥感技术应用日益广泛，尤其是在农业领域，可以有效地获取农田信息、判断作物长势、估测作物产量、提取病害信息。光谱分析技术虽然具有很强的物质波谱“透视力”，但在分析 “同谱异物” 和 “异物同谱”等方面需要与现代分析手段相结合，如小波变换、卡尔曼滤波、人工神经网络（Artificial Neural Net－work，ANN）、遗传算法（Genetic Algorithm，GA）等。

在光谱分析领域，ANN多用于物质生化组分的定量分析（陈振宁等，2001；印春生等，2000），在光度分析中也有较多应用，如，于洪梅等（2002）利用ANN分析铬和锆的混合吸收光谱，并结合分光度法对二者进行测定。ANN在非线性校准与光谱数据处理等方面也有应用（Blank，1993；方利民等；2008）。而在模式识别中ANN应用最为广泛，如，Eiceman et al.（2006）利用遗传算法（是ANN的一种）对混合小波系数进行分类识别。

目前，自组织特征映射（Self－organizing Feature Maps，SOFM）神经网络在高光谱影像的模式识别方面，国内外还较少有研究与应用，而结合遥感波谱维光谱分析技术的应用研究就更少。SOFM常用于遥感图像处理方面，如，Moshou et al.（2005）利用SOFM神经网络进行数据融合，使分类误差减小到1％；Doucette et al.（2001）根据SOFM设计的SORM算法，从分类后的高分辨率影像中提取道路；Toivanen et al.（2003）利用SOFM神经网络从多光谱影像中提取边缘，并指出该方法可应用于大数据量影像边缘的提取；Moshou et al.（2006）根据5137个叶片的光谱数据，利用SOFM神经网络识别小麦早期黄锈病，准确率高达99％。然而，SOFM不需要输入模式期望值（在某些分类问题中，样本的先验类别是很难获取的），其区别于BP（Back Propagation）等其他神经网络模型最重要的特点是能够自动寻找样本的内在规律和本质属性，这大大地拓宽了SOFM在模式识别和分类方面的应用。

基于以上几点，本章从光谱分析的角度对高光谱遥感影像进行分析识别和信息提取，给出了在不同光谱模型下，高光谱数据的不同分解，之后利用SOFM对具有较高光谱重叠度的这些分解进行分类识别，结合光谱分析对采样点进行类别辨识，并通过对小麦条锈病的病情严重度信息提取，提出了高光谱影像波谱维光谱分析的新途径。