Organizador: Marcio Luiz de Andrade Neto / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica / Made available in DSpace on 2018-07-24T07:14:59Z (GMT). No. of bitstreams: 1
Schlunzen_ElisaTomoeMoriya_M.pdf: 4771460 bytes, checksum: b8412b3352883587aa29ea546736ab50 (MD5)
Previous issue date: 1994 / Resumo: Redes Neurais Artificiais são modelos computacionais inspirados no sistema nervoso biológico. Seus elementos de processamento são neurônios que produzem a soma ponderada das entradas e aplicam o resultado a uma função de transferência não linear, para gerar uma saída. Estes mojdelos têm-se mostrado adequados para o reconhecimento de padrões e classificação de dados mufltiespectrais de Sensoriamento Remoto. Neste contexto, foi desenvolvido um trabalho com o objetivo de implementar uma Rede Neural Multicamadas com algoritmo de treinamento "Bi Lckpropagation", para utilização na classificação de ura segmento de imagem TM/LANDSAT, ref;rente a uma área teste pré-selecionada e comparar os seus resultados com os de um cia isificador de Máxima Verossimilhança (MAXVER). O treinamento da Rede foi feito segundo trê: abordagens distintas, inicialmente com a apresentação pixel a pixel e, em seguida, da aqi isição de grupos de pixels. Os resultados obtidos mostram que, genericamente, à medida que sãc incorporadas informações de vizinhança ao treinamento da Rede, ocorre um melhor dei empenho do classificador. A comparação das classificações geradas pela Rede com aquelas obl idas com a aplicação do MAXVER mostrou um melhor desempenho da Rede, em termos de número de pixel classificados e similaridade com a verdade terrestre, quando se consideram condições semelhantes de amostragem durante o treinamento. Isto permite concluir que o treinamento da Rede Neural não implica em uma localização tão criteriosa das amostras, nem quj: o tamanho amostrai seja tão abrangente quanto no caso do MAXVER / Abstract: Artificial Neural Networks are computing models inspired in the biological nervous system, whose processing elements are neurons highly interconnected which produce a pondered sum of the fentrances and use the result to a function of non-linear transfer in order to generate a way out. These models have shown to be adequate to a Pattern Recognition and to the Remote Sent ling Multiespectral data classification, as well. Thus, an interesting task has been developed aiming to implement a multilayer Perception Neural Network with Backpropagation training and using it to serve as a digital classification of an area test segment of a TM/LANDSAT image, refaing to a preselected test area and so comparing the result of the utilization of this algorithm to tie result of a Maximum Likelihood algorithm classification. The Neural Net training was mac e through three different approaches: at the beginning using a pixel to pixel presentation and, as a sequence the acquisition of pixel groups. The result showed that as the information collected firon the neighborhood is incorporated to the network training, there will be a superior performance of the classifier. Moreover, the neural network classification resulted in a fewer nunber of non-classified pixels and a better similarity with ground truth than MAXVER classification. This allowed us to conclude that the Neural Network training is faster and easier thai] the training of a MAXVER classification algorithm / Mestrado / Mestre em Engenharia Elétrica
Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.unicamp.br:REPOSIP/261518 |
Date | 23 March 1994 |
Creators | Schlunzen, Elisa Tomoe Moriya |
Contributors | UNIVERSIDADE ESTADUAL DE CAMPINAS, Andrade Netto, Marcio Luiz de, 1947-, Neto, Marcio Luiz de Andrade |
Publisher | [s.n.], Universidade Estadual de Campinas. Faculdade de Engenharia Elétrica, Programa de Pós-Graduação em Engenharia Elétrica |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Format | 112f. : il., application/pdf |
Source | reponame:Repositório Institucional da Unicamp, instname:Universidade Estadual de Campinas, instacron:UNICAMP |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0016 seconds