激光遥感探测海面溢油智能识别算法的研究
|
摘要
海洋溢油污染是各种海洋污染中影响范围最广、危害时间最长、对生态环境破坏最大的一种。本论文根据对各种海洋遥感器的对比研究，总结出激光荧光遥感在此方面是最为有力的工具。
目前我国在激光遥感的硬件设备方面已经具备一定的条件，而软件的溢油信息智能处理方面仍存在空缺。由于ANN方法适合于处理非线性系统，具有自组织、自学习、自适应和联想能力，故通过对样本反复训练，能辨别各类样本特征差异，本论文的核心工作就是将人工神经网络(ANN)的方法应用于激光遥感光谱数据的智能分析。而在众多的人工神经网络模型中，本论文选择了三种模式识别应用最普遍效果相对较好的网络模型，即感知器、BP、SOM网络，提出了适用于海面溢油激光遥感光谱的智能分析与识别的神经网络理论模型。应用三种神经网络的理论模型设计光谱智能分析系统，以激光荧光光谱样本作为输入，训练神经网络系统，并对3种神经网络模型系统的推广能力进行比较实验分析。实验表明，SOM网络模型算法自身的特点决定了它在多光谱数据智能分析及海面溢油识别方面良好适用性，成为解决此类问题最好的算法。
本论文主要进行的是理论建模和分析工作，并且用计算机软件方法实现了神经网络系统的模式识别和分类功能。在论文的最后还提出了利用ANN方法解决溢油浓度算法的思路。ANN技术必将在海洋遥感领域里发挥它独特的功效。
In this paper an artificial neural network (ANN) approach, which is based on flexible nonlinear models for a very broad class of transfer functions, is applied for multi-spectral data analysis and modeling of airborne laser fiuorosensor in order to differentiate between classes of oil on water surface. We use three types of algorithm: Perceptron Network, Back-Propagation (B-P) Network and Self-Organizing feature Maps (SOM) Network. Using the data in form of 64-channel spectra as inputs, the ANN presents the analysis and estimation results of the oil type on the basis of the type of background materials as outputs. The ANN is trained and tested using sample data set to the network. The results of the above 3 types of network are compared in this paper. SOM NN is the most effective and advanced one as classifier for littoral oil-spill in that SOM algorithm can extract the internal features of parameter by self-organizing. This paper has not only developed ANN models in theory but also completed software package for spectra intelligent analysis for the airborne detection of oil spills by laser-induced fluorescence.
The ANN model would play a significant role in the ocean oil-spill identification in the future.
目前我国在激光遥感的硬件设备方面已经具备一定的条件，而软件的溢油信息智能处理方面仍存在空缺。由于ANN方法适合于处理非线性系统，具有自组织、自学习、自适应和联想能力，故通过对样本反复训练，能辨别各类样本特征差异，本论文的核心工作就是将人工神经网络(ANN)的方法应用于激光遥感光谱数据的智能分析。而在众多的人工神经网络模型中，本论文选择了三种模式识别应用最普遍效果相对较好的网络模型，即感知器、BP、SOM网络，提出了适用于海面溢油激光遥感光谱的智能分析与识别的神经网络理论模型。应用三种神经网络的理论模型设计光谱智能分析系统，以激光荧光光谱样本作为输入，训练神经网络系统，并对3种神经网络模型系统的推广能力进行比较实验分析。实验表明，SOM网络模型算法自身的特点决定了它在多光谱数据智能分析及海面溢油识别方面良好适用性，成为解决此类问题最好的算法。
本论文主要进行的是理论建模和分析工作，并且用计算机软件方法实现了神经网络系统的模式识别和分类功能。在论文的最后还提出了利用ANN方法解决溢油浓度算法的思路。ANN技术必将在海洋遥感领域里发挥它独特的功效。
In this paper an artificial neural network (ANN) approach, which is based on flexible nonlinear models for a very broad class of transfer functions, is applied for multi-spectral data analysis and modeling of airborne laser fiuorosensor in order to differentiate between classes of oil on water surface. We use three types of algorithm: Perceptron Network, Back-Propagation (B-P) Network and Self-Organizing feature Maps (SOM) Network. Using the data in form of 64-channel spectra as inputs, the ANN presents the analysis and estimation results of the oil type on the basis of the type of background materials as outputs. The ANN is trained and tested using sample data set to the network. The results of the above 3 types of network are compared in this paper. SOM NN is the most effective and advanced one as classifier for littoral oil-spill in that SOM algorithm can extract the internal features of parameter by self-organizing. This paper has not only developed ANN models in theory but also completed software package for spectra intelligent analysis for the airborne detection of oil spills by laser-induced fluorescence.
The ANN model would play a significant role in the ocean oil-spill identification in the future.
引文
[1] Carl E.Brown, Mervin F. Fingas, Robert D.Nelson and Joseph V. Mullin, "Locating Spilled Oil with Airborne Laser Fluorosensors", Proceedings of SPIE Reprint, Boston, Massachusetts, 2-5 November 1998, 582-588
[2] Cianciotto, Frank T.P., "Detection and classification of subsurface objects in a marine environment by the use of a Lidar System", National Aerospace and Electronics Conference, Proceedings of the IEEE v 1 Jul 14-17 1997
[3] Fingas, M.F. (River Road Environmental Technology Cent)Fruhwirth, M., "Assessment of sensors and aircraft suitable for oil spill remote sensing" , Proceedings of SPIE v 1930 pt ,1 Jun 15-17 1992
[4] L. Buja Bijunas, R.A. O'Neil, V. Thomson, R.A. Neville, K. Dagg and D. Rayner, "Oil Spill Detection and Identification", Proceedings of SPIE, 299-310
[5] P. Camagni, N. Omenetto, A. Pedrini, G. Rossi and G. Tassone, "Optical Diagnostic of Oil Pollution", 297-298
[6] Robert T.B. James and Robert Dick, "Design of Algorithms for the Real-Time Airborne Detection of Littoral Oil-Spills by Laser-Induced Fluorescence", 1599-1608
[7] Albert Tebo, "Laser remote sensing: tool for monitoring soil, plants, and hydrosphere", OE Reports ,November 1997, 167
[8] Jean-Marie Massin, Remote Sensing for the Control of Marine Pollution, Plenum Press, New York, 1984, 165
[9] Nils J.Nilsson, "Artificial Intelligence-A New Synthesis", China Machine Press
[10]L. E. Keiner, "Estimating oceanic chlorophyll concentrations with neural networks", Remote Sensing, 1999, Vol.20, No. 1, 189-194
[11] Michael Schaale, "Data Analysis and Model Inversion by Neural Networks"
[12]Hecht Nielsen, "Theory of the backpropagation neural networks", Proc of the
International Joint Conference on Neural Networks, 1989, 593-611
[13]安居白，航空遥感探测海上溢油技术，交通环保，2002年第23卷第1期，24-26
[14]安居白，发达国家海上溢油遥感监测现状分析，交通环保，2002年第23卷第3期，27-29
[15]徐冠华，遥感信息科学的进展和展望，地理学报，1996年第九期，385—397
[16]焦守莉，遥感技术用于监测海水水质，北京测绘，1999年第四期，44-47
[17]谢文君 陈君，海洋遥感的应用与展望，海洋地质与第四纪地质，第21卷第3期，123-129
[18]江东 王建华，人工神经网络在遥感中的应用和发展，地理学报，1999年第5期，395—399
[19]朱君艳 沈琼华 王珂，海洋遥感的研究进展，浙江海洋学院学报[自然科学版]，2000年第19卷第1期，77-80
[20]张永宁 丁倩 高超 段岩燕，油膜波谱特征分析与遥感监测溢油，海洋环境科学，2000年第19卷第3期，54-58
[21]李忠，曾昭翔，陈大融，基于BP神经网络的磨损微粒智能识别，北方交通大学学报．1998年第22卷第1期，86—91
[22]何毅斌 陈定方，Windows工作环境下VC++与MATLAB的联合应用研究，武汉理工大学学报，2002年第26卷第1期，58-60
[23]严宝德，感知器与MATLAB，工业控制计算机，2001年14卷第2期，11-13
[24]侯北平 卢佩，基于MATLAB的BP神经网络建模及系统仿真，自动化与仪表，2001年第16卷第1期，34-37
[25]李柞泳，用BP神经网络实现多波段遥感图像的监督分类，红外与毫米波学报，第17卷第2期，153-157
[26]姚国清，神经网络技术在成像光谱数据的岩石矿物识别中的应用，计算机仿真，第18卷第6期，33-36
[27]付强 王志良，自组织竞争人工神经网络在土壤分类中的应用，水土保持通报，2002年第22卷第1期，39-43
[28]吴海桥 刘毅，SOM人工神经网络在客机零部件故障诊断中的应用研究，南
京航空航大大学学报，第34卷第1期，31-34
[29]林万昌 陈汶滨，自组织特征映射神经网络在岩性识别中的应用，西南石油学院学报，第21卷第3期，78-81
[30]安居白，智能信息处理，第1版，大连海事大学出版社，156-161
[31]徐丽娜，神经网络控制，第1版，1999年，哈尔滨工业大学出版社，123-128
[32]胡守仁，神经网络应用技术，第1版，1993年，国防科技大学出版社，166-168
[33]楼顺天，施阳，基于MATLAB的系统分析与设计——神经网络，第1版，2000年，西安电子科技大学出版社，10-13
[34]戴葵，神经网络实现技术，第1版，1993年，国防科技大学出版社，58-59
[35]程相君 王春宁 陈生谭，神经网络原理及其应用，国防工业出版社，63-65
[36]钟义信 潘新安 杨义先，智能理论与技术，人民邮电出版社，84-89
[37]阎吉祥 龚顺生，环境监测激光雷达，第1版，2001年，科学出版社，101-106
[38]黄德双，神经网络模式识别系统理论．1996年，北京电子工业出版社，55-56
[2] Cianciotto, Frank T.P., "Detection and classification of subsurface objects in a marine environment by the use of a Lidar System", National Aerospace and Electronics Conference, Proceedings of the IEEE v 1 Jul 14-17 1997
[3] Fingas, M.F. (River Road Environmental Technology Cent)Fruhwirth, M., "Assessment of sensors and aircraft suitable for oil spill remote sensing" , Proceedings of SPIE v 1930 pt ,1 Jun 15-17 1992
[4] L. Buja Bijunas, R.A. O'Neil, V. Thomson, R.A. Neville, K. Dagg and D. Rayner, "Oil Spill Detection and Identification", Proceedings of SPIE, 299-310
[5] P. Camagni, N. Omenetto, A. Pedrini, G. Rossi and G. Tassone, "Optical Diagnostic of Oil Pollution", 297-298
[6] Robert T.B. James and Robert Dick, "Design of Algorithms for the Real-Time Airborne Detection of Littoral Oil-Spills by Laser-Induced Fluorescence", 1599-1608
[7] Albert Tebo, "Laser remote sensing: tool for monitoring soil, plants, and hydrosphere", OE Reports ,November 1997, 167
[8] Jean-Marie Massin, Remote Sensing for the Control of Marine Pollution, Plenum Press, New York, 1984, 165
[9] Nils J.Nilsson, "Artificial Intelligence-A New Synthesis", China Machine Press
[10]L. E. Keiner, "Estimating oceanic chlorophyll concentrations with neural networks", Remote Sensing, 1999, Vol.20, No. 1, 189-194
[11] Michael Schaale, "Data Analysis and Model Inversion by Neural Networks"
[12]Hecht Nielsen, "Theory of the backpropagation neural networks", Proc of the
International Joint Conference on Neural Networks, 1989, 593-611
[13]安居白，航空遥感探测海上溢油技术，交通环保，2002年第23卷第1期，24-26
[14]安居白，发达国家海上溢油遥感监测现状分析，交通环保，2002年第23卷第3期，27-29
[15]徐冠华，遥感信息科学的进展和展望，地理学报，1996年第九期，385—397
[16]焦守莉，遥感技术用于监测海水水质，北京测绘，1999年第四期，44-47
[17]谢文君 陈君，海洋遥感的应用与展望，海洋地质与第四纪地质，第21卷第3期，123-129
[18]江东 王建华，人工神经网络在遥感中的应用和发展，地理学报，1999年第5期，395—399
[19]朱君艳 沈琼华 王珂，海洋遥感的研究进展，浙江海洋学院学报[自然科学版]，2000年第19卷第1期，77-80
[20]张永宁 丁倩 高超 段岩燕，油膜波谱特征分析与遥感监测溢油，海洋环境科学，2000年第19卷第3期，54-58
[21]李忠，曾昭翔，陈大融，基于BP神经网络的磨损微粒智能识别，北方交通大学学报．1998年第22卷第1期，86—91
[22]何毅斌 陈定方，Windows工作环境下VC++与MATLAB的联合应用研究，武汉理工大学学报，2002年第26卷第1期，58-60
[23]严宝德，感知器与MATLAB，工业控制计算机，2001年14卷第2期，11-13
[24]侯北平 卢佩，基于MATLAB的BP神经网络建模及系统仿真，自动化与仪表，2001年第16卷第1期，34-37
[25]李柞泳，用BP神经网络实现多波段遥感图像的监督分类，红外与毫米波学报，第17卷第2期，153-157
[26]姚国清，神经网络技术在成像光谱数据的岩石矿物识别中的应用，计算机仿真，第18卷第6期，33-36
[27]付强 王志良，自组织竞争人工神经网络在土壤分类中的应用，水土保持通报，2002年第22卷第1期，39-43
[28]吴海桥 刘毅，SOM人工神经网络在客机零部件故障诊断中的应用研究，南
京航空航大大学学报，第34卷第1期，31-34
[29]林万昌 陈汶滨，自组织特征映射神经网络在岩性识别中的应用，西南石油学院学报，第21卷第3期，78-81
[30]安居白，智能信息处理，第1版，大连海事大学出版社，156-161
[31]徐丽娜，神经网络控制，第1版，1999年，哈尔滨工业大学出版社，123-128
[32]胡守仁，神经网络应用技术，第1版，1993年，国防科技大学出版社，166-168
[33]楼顺天，施阳，基于MATLAB的系统分析与设计——神经网络，第1版，2000年，西安电子科技大学出版社，10-13
[34]戴葵，神经网络实现技术，第1版，1993年，国防科技大学出版社，58-59
[35]程相君 王春宁 陈生谭，神经网络原理及其应用，国防工业出版社，63-65
[36]钟义信 潘新安 杨义先，智能理论与技术，人民邮电出版社，84-89
[37]阎吉祥 龚顺生，环境监测激光雷达，第1版，2001年，科学出版社，101-106
[38]黄德双，神经网络模式识别系统理论．1996年，北京电子工业出版社，55-56