神经网络分类

神经网络分类

特征提取和选择完成后，再利用分类器进行图像目标分类，本文采用神经网络中的BP网络进行分类。在设计神经网络结构时，要考虑网络的层数、每层的神经元数和每层的激活函数。标准BP神经网络分3层，即输入层、隐含层和输出层。

按照这种分层，因神经网络的输入是特征选择的输出，故从1~9中选择，神经网络的输入层神经元数应在1~9中选择。输出层神经元个数可以为待分类的目标类别数，也可以按照类别进行编码，满足m类的输出，用个输出单元，即两类的输出用=1个输出单元。当输出为1时可以判定为第一类，输出为2时为第二类。隐层单元数的选择是一个复杂的问题，即隐层单元数与问题的要求、输入输出单元的多少都有直接的关系。

对于用作分类的BP网络，因为隐层单元的输入和输出之间是单调上升的非线性函数，所以其隐层单元数目太少可能训练不出来，或网络不够“强壮”，不能识别以前没有看到的样本，容错性差，但隐层单元数目太多又使学习过程太长，误差也不一定最佳，因此存在一个最佳的隐层单元数，下面给出求解方法

分类结果分析
图2为原始的遥感图像，通过人工判读，确定将图像中的地物分为道路、居民区和高层建筑3类，每类选取1 000个学习样本，总共3 000个学习样本，在9个特征量中选取3个，因此网络的输入层节点数为3，经计算，隐层取5个节点。