基于量子克隆进化算法的BP神经网络POLSAR图像分类

摘要

POLSAR图像分类是 POLSAR图像处理中的重要内容，也是 POLSAR图像解译的关键技术之一。POLSAR图像分类是将 POLSAR图像解译系统中的前端部分单独提取出来作为具体应用的典型实例。快速、准确的POLSAR图像分类是实现各种实际应用如目标检测与识别的前提。
　　本文采用了一种基于量子克隆进化算法的BP神经网络分类器，并使用该分类器对 POLSAR图像进行分类。该分类器包含两个步骤：使用量子克隆进化算法优化 BP神经网络的初始权值和阈值；使用梯度下降法对权值和阈值进行精确调整。
　　论文首先介绍了 POLSAR图像分类的背景以及国内外的发展概况，然后介绍明了 POLSAR图像的特征提取方法，并详细阐述了如何使用基于链式竞争策略的智能体遗传算法(LAGA)的并行式多准则特征选择算法对已提取的POLSAR图像特征进行选择，接着描述了量子克隆进化算法(QCEA)的起源、基本原理和算法流程，并采用了一种使用量子克隆进化算法来优化BP神经网络分类器的初始权值和阈值的方法。最后，将提取和选择后的POLSAR图像特征输入量子克隆进化算法优化后的BP神经网络分类器中，得到 POLSAR图像的分类结果。
　　综上所述，本文主要完成了两项工作：其一，提出基于量子克隆进化算法优化的BP神经网络的初始权值和阈值的方法，经过优化后的BP神经网络能够收敛到全局最优值，当该 BP神经网络用于分类和函数优化时可以得到更加精确的结果；其二，将该分类器用于POLSAR图像的分类中，实验结果表明本文的算法与其他经典分类算法比较，分类结果图的效果更好，分类精度也更高。

目录

基于量子克隆进化算法的BP神经网络POLSAR图像分类

POLSAR IMAGE CLASSIFICATION USING BP NEURAL NETWORK BASED ON QUANTUM CLONAL EVOLUTIONARY ALGORITHM

摘 要

Abstract

目 录

第1章 绪论

1.1 课题背景及意义

1.2 国内外研究发展与现状

1.3 论文主要内容及结构安排

第2章 基于LAGA的并行式多准则特征选择

2.1 POLSAR图像的特征提取

2.2 基于LAGA的并行式多准则特征选择算法

2.3 本章小结

第3章 基于量子克隆进化算法的BP神经网络分类

3.1 量子算法

3.2 遗传算法与克隆算子

3.3 量子克隆进化算法原理及基本流程

3.4 基于量子克隆进化算法的BP神经网络分类原理

3.5 本章小结

第4章 实验结果及分类算法性能分析

4.1 POLSAR图像的特征提取结果

4.2 POLSAR 图像的基于 LAGA 的并行式多准则特征选择结果

4.3 POLSAR 图像的分类器参数设置和实验结果

4.4 分类器的性能分析

4.5 本章小结

结 论

参考文献

攻读学位期间发表的学术论文

哈尔滨工业大学硕士学位论文原创性声明

哈尔滨工业大学硕士学位论文使用授权书

致 谢