臺灣博碩士論文加值系統

高光譜是一種先進的影像材料， 這種材料資訊豐富的影像在判釋上亦需要花費較多的時間，若能建構一決策系統進行分析，準確的判讀出地表上所代表的物種，就能大幅減少實地探勘的人力、物力與時間。本研究主要探討如何從高光譜影像中篩選出重要的光譜資訊，並以水稻田為主要判釋對象，搭配監督式及非監督式學習的分類器進行判釋。本研究擬倒傳遞類神經網路與細菌覓食演算法對於高光譜影像進行影像判釋，先以亂度基礎分類法進行影像屬性之篩選，再將上述兩種演算法進行計算，進而設計以下四種研究案例: (a)原始波段搭配倒傳遞類神經網路 (b)亂度基礎分類法篩選出重要光譜資訊搭配倒傳遞類神經網路 (c) 原始波段搭配細菌覓食演算法(d) 亂度基礎分類法篩選出重要光譜資訊搭配細菌覓食演算法，最後使用誤差矩陣表以及主題圖呈現出分類後之成果進行比較。

The hyperspectral is an advanced material which render more accurately classification result. However, due to spectral information is very rich, the computation also takes more time. Therefore, if we can construct a decision system to accurately interpreting the surface of ground, it can be applied significantly to reduce manpower and time.
This study focused on how to extract the important factors of hyperspectral image to classify the paddy rice area with applying supervised and unsupervised learning algorithm. In this study, back-propagation neural network and bacterial foraging optimization for hyperspectral image for image classification. The prior processing of image data used entropy-based classification to extract the influenced factors of image band properties. Then the two algorithms are applied into following four case studies: (a) the original band with a back-propagation neural network (b) entropy-base-classification filter out important information with back-propagation neural network (c) the original band with bacterial foraging optimization (d) entropy-base-classification filter out important information with bacterial foraging optimization. Finally, the error matrices are present and thematic maps are drawn among four cases
and outcomes are compared.

摘 要 I
ABSTRACT II
致謝 III
目錄 IV
表 目 錄 VII
圖 目 錄 VIII
第一章 緒論 1
第一節 研究背景 1
第二節 研究動機與目的 2
第三節 研究架構 3
第二章 文獻回顧 4
第一節 航拍技術與應用 4
第二節 高光譜與多光譜 4
第三節 地理資訊系統 5
第四節 亂度基礎分類法 6
一、 分類（Classification）： 6
二、 亂度（熵、Entropy）： 6
第五節 倒傳遞類神經網路 7
一、類神經網路之發展 7
二、倒傳遞網路發展與改良 8
第六節 細菌覓食演算法 9
第七節 影像分類之精準度評估 9
一、生產者精度(Producer’s Accuracy, PA) 9
二、使用者精度(Uesr’sAccuracy,UA) 10
三、整體精度(overall accuracy) 10
四、Kappa統計值 11
第三章 研究材料及方法 12
第一節 研究區介紹 12
第二節 圖資介紹 14
第三節 研究設計與方法 16
第四節 亂度基礎分類法 17
一、EBC分析的主要流程 17
二、亂度基礎分類法方法介紹 17
第五節 類神經倒傳遞網路 22
一、生物神經元模型 22
二、人工神經元運算模型 23
三、類神經網路之基本架構 25
四、類神經網路之運算模式 27
五、倒傳遞網路基本原理 28
第六節 細菌覓食演算法 35
第四章研究成果 42
第一節樣本資料 43
第二節 倒傳遞類神經網路之研究結果 45
一、BPN判釋結果之誤差矩陣與主題圖 45
二、 BPN結果比較 49
第三節 細菌覓食演算法之研究結果 50
一、 參數選擇 50
二、 BFO判釋結果之誤差矩陣與主題圖 55
三、 BFO結果比較 58
第四節 倒傳遞類神經網路&細菌覓食演算法之比較 59
第五章 結論與建議 63
一、 監督式學習與非監督式學習的比較之結論 63
二、 高光譜與多光譜的應用比較之結論 63
三、 總結 63
參考文獻 64
附錄 66

王儷蓉(1998)。高光譜資料之差異與類別分離度分析。國立成功大學測量工程研究所碩士論文。
史天元. (2000)。高光譜影像分析及應用研究---影像分類與光譜分離技術研究。行政院國家科學委專題研究計畫。
李天元(2015)。亂數基礎分類法理論分析在台股50之實證。嶺東科技大學碩士學位論文。
周天穎(2003)。地理資訊系統理論與實務。儒林圖書公司。格致圖書公司。
周彥芝(2012)。以遙測影像的水稻田影像判釋：模糊粒子群演算法與邏輯式迴歸之研究。嶺東科技大學資訊科技應用研究所碩士論文。
林英欣(2013)。高光譜取像儀光學系統研發。國立台北科技大學光電工程系碩士班碩士論文。
徐百輝(2007)。大地的辨識密碼高光譜影像。科學發展，416，13-19。
張紘炬(1988)。統計學。pp150-260。
郭麟霂、史天元(1999)。寒帶沼地高光譜影像分類之研究。國立交通大學土木工程學系碩士論文。
陳達祺(2008)。遙測影像空間特徵萃取之研究-以台中水稻田為例。嶺東科技大學資訊科技應用研究所碩士論文。
陳達祺、萬絢、雷祖強(2007)。BPN+EDBD空間特徵分類器之研究-以台中水稻田為例。2007年台灣地理資訊學會年會學術研討會。
黃偉鋒、林衛星、范懷科、史夏波、程濤(2011)。细菌覓食優化的智能PID控制。計算機工程與應用，47，82-85。
萬絢(2012)。以樹狀倒傳遞類神經網路於田埂判釋研究。航測及遙測學刊。
葉怡成(2003)。類神經網路模式應用與實作。儒林圖書有限公司。
劉怡麟(2010)。自組織映射圖及粗糙集理論判釋萬大水庫崩塌地。國立中興大學土木工程學系碩士學位論文。
蔣昕(2014)。細菌覓食算法的優化及其在車間調度中的應用研究。蘭州理工大學碩士學位論文。
蕭國鑫(2004)。不同影像分類方法應用於水稻辨識之探討。航測及遙測學刊，9(1)，13-26。
Garson, G..D. (1991). “Interpreting Neural-Network Connection Weights”, AI Expert, pp.47-51.
Minai, A.A. and Williams, R.D.(1990). “Back-propagation heuristics: a study of the extended delta-bar-delta algorithm”, Neural Networks, vol.1, pp.595-600.