高光谱遥感实验六.doc

Four short words sum up what has lifted most successful individuals above the crowd: a little bit more.-author-date高光谱遥感实验六高光谱遥感实验六 2012级研究生高光谱遥感技术实 验 报 告 姓名：张东霞学号：2012110673专业：摄影测量与遥感成绩：2013年5月14日实验项目六张东霞 2013110673一、实验目的 1、掌握神经网络光谱反演建模方法； 2、掌握了DPS软件的基本操作方法.二、实验要求1、利用包络线去除法提取的参数建立神经网络反演模型；BP神经网络算法不仅有输入层节点、输出层节点，还可有1个或多个隐含层节点。对于输入信号，要先向前传播到隐含层节点，经作用函数后，再把隐含层节点的输出信号传播到输出节点，最后给出输出结果。由实验四的结果可知深度面积和S1、对称度1、最大深度H1、右位置、宽度D与有机质含量的相关性相对最高。在DPS数据处理系统中，数据的输入格式是一行为一个样本，一列为一个变量，输入节点（变量）放在数据块左边，输出节点（因变量）放在数据块右边，输完一个样本后再输入下一个样本。对于待识别的（预测）的样本，不需要输入输出变量（因变量）。数据输入完毕后，定义数据块。如有待识别的（预测）的样本，可在按下Ctrl键时再按下并拖到鼠标，将待预测的样本定义为第二个数据块。选择BP神经网络算法。本次试验将hs82、 hs83、 hs2、 hs26、 hs70、hs75样本作为待检验样本、其余样本数据复制到DPS数据处理软件中作为建模数据，处理过程与结果如下图所示：前面几列分别为高差面积和S1、对称度1、最大深度H1、右位置、宽度D，最后一列为有机质含量，然后全部选中，作为建模数据块，选择菜单中的“其它”>“神经网络模型”>“BP神经网络”，弹出如下参数设置窗口，选择标准化模型：图2图3图4图5 2、利用对数的一阶微分变换提取的参数建立神经网络模型；方法同1，将数据复制到DPS系统中。图6图7图8图9图103、调整神经网络中间层数、结点数，比较模型精度。以上述一节微分的数据实验为例调节中间层数节点数：节点数隐含层数不同时预测值与观测值对比表：检验样本隐含层6节点隐含层5节点隐含层4节点隐含层3节点隐含层2节点隐含层1节点样本观测值 hs830.48280.57670.47960.49120.52240.58260.37 hs841.70610.5771.55491.44521.34050.68961.104 hs20.68470.57670.61010.57570.61070.56991.289 hs321.1670.57690.74810.8381.07840.66240.996 hs260.710.57680.6140.63150.61310.58650.789 hs700.59040.57670.58160.46250.5020.55130.78 hs750.38970.57670.440.42470.47230.56640.75结果显示当隐含层节点数减少时，样本预测值与观测值大致呈远离趋势，就是预测的精度会降低，但节点数多时有增加了计算量与计算速度，因此合适的节点数对于BP神经网络法预测至关重要。在实际工作中，阈值、学习率、隐层层数、隐层节点个数等对神经网络的学习速度(收敛速度)都有较大的影响。为了减少选取网络结构和决定各参数值的盲目性,达到提高收敛速度的目的，我们应合理选择这些影响因子。当节点数太少时,每个节点负担过重,迭代而有的选择却要迭代几千次,或者更多,甚至不收敛。学习率过小，误差波动小，但学习速度慢，往往由于训练时间的限制而得不到满意解；学习率过大，学习速度加快，会引起网络出现摆动现象，导致不收敛的危险。因此,选择一个合适的学习率是BP算法的一个较关键的问题。实验发现,用两个隐层比用一个隐层的收敛速度还要慢。目前，对隐层节点数的设定缺乏理论指导，但是实验研究表明,隐含节点数增加会影响收敛速度。-