遥感影像识别-第六章 神经网络在模式识别中的应用 Part Ⅱ课件

1、遥感影像识别第六章:神经网络在模式识别中的应用 Part 1. 主要内容概 论神经元与网络结构感知器模型反向传播网络模型遥感图像处理试验2.1 生物神经元及生物神经网络 2.1.1 生物神经元人脑大约由1012个神经元组成，神经元互相连接成神经网络。神经元是大脑处理信息的基本单元，以细胞体为主体，由许多向周围延伸的不规则树枝状纤维构成的神经细胞，其形状很像一棵枯树的枝干。它主要由细胞体、树突、轴突和突触(Synapse，又称神经键)组成。 细胞体：神经网络新陈代谢的中心，是接受和处理信息的单位。轴突：每个神经元都在细胞体的轴丘处生长着一根粗细均匀、表面光滑的突起，长度从几个um到1m左右。树突

2、：为细胞体向外伸出的很多其他树状突起，在细胞体附近它们较轴突粗得多，离开细胞体不远很快分枝变细，作用是从周围收集其他神经元发出的信息。突触：轴突的末端分出许多分支和别的神经元树突或细胞体相接触，两者接触部分称为突触，是一个神经元与另一个神经元相联系的部位。图2-1 生物神经元示意图 从神经元各组成部分的功能来看，信息的处理与传递主要发生在突触附近。当神经元细胞体通过轴突传到突触前膜的脉冲幅度达到一定强度，即超过其阈值电位后，突触前膜将向突触间隙释放神经传递的化学物质。突触有两种：兴奋性突触和抑制性突触。前者产生正突触后电位，后者产生负突触后电位。 2.1.2 人脑神经网络系统图2-2 脑神经系

3、统的主要组成部分 2.1.3 人脑神经网络信息处理的特点1分布存储与冗余性 2并行处理 3信息处理与存储合一 4可塑性与自组织性 5鲁棒性 2.2.1 人工神经元模型 归纳一下生物神经元传递信息的过程： 生物神经元是一个多输入、单输出单元。 常用的人工神经元模型可用图2-3模拟。 图2-3 人工神经元模型 响应函数的基本作用：1、控制输入对输出的激活作用；2、对输入、输出进行函数转换；3、将可能无限域的输入变换成指定的有限范围内的输出。 根据响应函数的不同，人工神经元有以下几种类型： 图2-4 人工神经元的响应函数 上述模型能反映生物神经元的基本特性，但还有如下不同之点：(1)生物神经元传递的

4、信息是脉冲，而上述模型传递的信息是模拟电压。 (2)由于在上述模型中用一个等效的模拟电压来模拟生物神经元的脉冲密度，所以在模型中只有空间累加而没有时间累加(可以认为时间累加已隐含在等效的模拟电压之中)。 (3)上述模型未考虑时延、不应期和疲劳等。 2.2.2 人工神经网络的构成 神经元的模型确定之后，一个神经网络的特性及能力主要取决于网络的拓扑结构及学习方法。 人工神经网络连接的几种基本形式：1前向网络 网络中的神经元是分层排列的，每个神经元只与前一层的神经元相连接。 2从输出到输入有反馈的前向网络 3层内互连前向网络 4互连网络 2.2.3 人工神经网络的学习 学习方法是人工神经网络研究中的核心问题。 人工神经网络连接权的确定通常有两种方法：一种是根据具体要求：直接计算出来，如Hopfield网络作优化计算时就属于这种情况；另一种是通过学习得到的，大多数人工神经网络都用这种方法。 1）Hebb学习规则 是Donall Hebb根据生理学中条件反射机理，于1949年提出的神经元连接强度变化的规则。 如果两个神经元同时兴奋(即同时被激活)，则它们之间的突触连接加强。 Hebb学习规则是人工神经网络学习的基本规则，几乎所有神经网络的学习规则都可以看作Hebb学习规则的变形。 2）误差校