神經網絡在激光遙感鑒別海面溢油中的應用.pdf

1、海上溢油事故引起的石油污染使海洋、大氣自然環(huán)境、生態(tài)資源受到嚴重的損害，因此實時地、正確地鑒別溢油的種類對溢油的處理具有重大意義。神經網絡在模式識別中發(fā)揮著重要作用，通過認真分析對比國內外已有的溢油識別方法，本文選用神經網絡來鑒別激光誘導熒光光譜的種類，并建立相應的數學模型。 在神經網絡眾多的模型中，通過解析實驗獲取的不同種類油的熒光光譜的特征，本文選擇了兩種神經網絡模型，分別為誤差反傳(BP)網絡和學習矢量量化(LVQ)網絡。

2、選擇這兩種模型的原因在于，BP網絡是至今為止應用最廣泛的神經網絡，它可以以任意精度逼近任何非線性函數，但BP網絡也有自身的缺陷，如容易陷入局部極小點而得不到全局最優(yōu)、訓練次數多使得學習效率低，收斂速度慢等，所以本文又將LVQ網絡應用到溢油識別中，并用實驗獲取的已知物質的64頻道激光誘導熒光光譜樣本作為網絡的輸入，將物質所屬的類別作為輸出，分別對這兩種網絡進行訓練，訓練結束后，在相同的條件下，利用待識別的熒光光譜數據對兩種模型的識別結果進

3、行比較，結果表明，當選用BP網絡，拓撲結構為64-40-1時，收斂的次數為3259，識別正確率為81.65﹪；當選用LVQ網絡，拓撲結構為64-70-8時，收斂的次數為373，識別正確率為90.53﹪；當LVQ網絡結構變?yōu)?4-150-8時，收斂的次數為455，識別正確率為92.3﹪，當再增加網絡隱層節(jié)點數時，網絡性能沒有顯著提高，但是計算量卻大大增加，訓練速度減慢，所以對LVQ網絡而言，選擇150個隱層節(jié)點是較為合適的。以上這些表明L