使用BP小波神经网络的不同饱和编码模式对目标分类的影响。

小波神经网络已成功应用于对象分类,这是由于它们独特的各种优势。 本文使用的小波神经网络是传播算法的类型-学习小波神经网络。 对数sigmod满足帧条件的函数和小波基函数被用作输出层和隐藏层中的激活函数以及熵误差功能还用于加快学习速度。 对数S型函数具有两个饱和值0和1,它们是函数在其点处的值当自变量在一定范围内变化时,值也会略有变化。 利用饱和值的此属性并简化数学模型神经网络分类,我们可以在数学上证明使用不同的饱和值编码模式会影响训练误差,泛化小波神经网络的抗噪声能力分类准确性方面的差异。 饱和和不饱和值编码模式既会降低网络的泛化能力,又会降低网络的泛化能力。 由于抗噪能力过强或过弱而导致分类的准确性。 所以, 我们提出一种中度饱和值编码模式,其中抗噪声能力,梯度和训练过程中的误差比其他两个要适度编码,以便这种编码模式可以促进更强的泛化小波神经网络的能力和较高的分类精度,以及CHRIS遥感影像的分类实验中得到了肯定黄河口沿岸湿地及SIR-C海冰遥感影像拉布拉多湾,并在添加噪音的分类实验中得到了重申测试数据。