ENVI神經網路工具引數和使用方法
阿新 • • 發佈：2019-01-28
（1） Activation：選擇活化函式。對數（Logistic）和雙曲線（Hyperbolic）。
（2） Training Threshold Contribution：輸入訓練貢獻閾值(0-1)。該引數決定了與活化節點級別相關的內部權重的貢獻量。它用於調節節點內部權重的變化。訓練演算法交 互式地調整節點間的權重和節點閾值，從而使輸出層和響應誤差達到最小。將該引數設定為0不會調整節點的內部權重。適當調整節點的內部權重可以生成一幅較好 的分類影象，但是如果設定的權重太大，對分類結果也會產生不良影響。
（3） Training Rate：設定權重調節速度（0~1）。引數值越大則使訓練速度越快，但也增加擺動或者使訓練結果不收斂。
（4） Training Momentum：輸入一個0~1的值。該值大於0時，在“Training Rate”文字框中鍵入較大值不會引起擺動。該值越大，訓練的步幅越大。該引數的作用是促使權重沿當前方向改變。
（5） Training RMS Exit Criteria：指定RMS誤差為何值時，訓練應該停止。RMS誤差值在訓練過程中將顯示在圖表中，當該值小於輸入值時，即使還沒有達到迭代次數，訓練 也會停止，然後開始進行分類。
（6） Number of Hidden Layers：鍵入所用隱藏層的數量。要進行線性分類，鍵入值為0。沒有隱藏層，不同的輸入區域必須與一個單獨的超平面線性分離。要進行非線性分類，輸入 值應該大於或等於1，當輸入的區域並非線性分離或需要兩個超平面才能區分類別時，必須擁有至少一個隱藏層才能解決這個問題。兩個隱藏層用於區分輸入空間， 空間中的不同要素不臨近也不相連。
（7） Number of Training Iterations：輸入用於訓練的迭代次數。
Min Output Activation Threshold：輸入一個最小輸出活化閾值。如果被分類像元的活化值小於該閾值，在輸出的分類中，該像元將被歸入未分類中 （unclassified）。
這些是 神經網路各個引數的說明
ENVI神經網路工具使用操作說明：
（1） 在主選單中，選擇Classification->Supervised-> Neural Net Classification，在檔案輸入對話方塊中選擇TM分類影像。單擊OK按鈕開啟Neural Net Classification引數設定面板（圖1）。
（2） SelectClasses from Regions：單擊Select All Items按鈕，選擇全部的訓練樣本。
（3）Activation：選擇活化函式。對數（Logistic）和雙曲線（Hyperbolic）。
（4）Training Threshold Contribution：輸入訓練貢獻閾值(0-1)
（5）Training Rate：設定權重調節速度（0~1）。引數值越大則使訓練速度越 快，但也增加擺動或者使訓練結果不收斂。
（6）Training Momentum：輸入一個0~1的值。該值大於0時，在“Training Rate”文字框中鍵入較大值不會引起擺動。該值越大，訓練的步幅越大。該引數的作用是促使權重沿當前方向改變。
（7）Training RMS Exit Criteria：指定RMS誤差為何值時，訓練應該停止。RMS誤差值在訓練過程中將顯示在圖 表中，當該值小於輸入值時，即使還沒有達到迭代次數，訓練也會停止，然後開始進行分類。
（8）Number of Hidden Layers：鍵入所用隱藏層的數量。要進行線性分類，鍵入值為0。沒有隱藏層，不同的輸入區域必須與一個單獨的超平面線性分離。要進行非線性分類，輸入值應該大於或等於1，當輸入的區域並非線性分離或需要兩個超平面才能區分類別時，必須擁有至少一個隱藏層才能解決這個問題。兩個隱藏層用於區分輸入 空間，空間中的不同要素不臨近也不相連。
（9）Number of Training Iterations：輸入用於訓練的迭代次數。
（10）Min Output Activation Threshold：輸入一個最小輸出活化閾值。如果被分類像元 的活化值小於該閾值，在輸出的分類中，該像元將被歸入未分類中（unclassified）。
（11） 選擇分類結果的輸出路徑及檔名。
（12） 設定Out Rule Images為Yes，選擇規則影象輸出路徑及檔名。
（13）單擊OK按鈕執行 分類。
（2） Training Threshold Contribution：輸入訓練貢獻閾值(0-1)。該引數決定了與活化節點級別相關的內部權重的貢獻量。它用於調節節點內部權重的變化。訓練演算法交 互式地調整節點間的權重和節點閾值，從而使輸出層和響應誤差達到最小。將該引數設定為0不會調整節點的內部權重。適當調整節點的內部權重可以生成一幅較好 的分類影象，但是如果設定的權重太大，對分類結果也會產生不良影響。
（3） Training Rate：設定權重調節速度（0~1）。引數值越大則使訓練速度越快，但也增加擺動或者使訓練結果不收斂。
（4） Training Momentum：輸入一個0~1的值。該值大於0時，在“Training Rate”文字框中鍵入較大值不會引起擺動。該值越大，訓練的步幅越大。該引數的作用是促使權重沿當前方向改變。
（5） Training RMS Exit Criteria：指定RMS誤差為何值時，訓練應該停止。RMS誤差值在訓練過程中將顯示在圖表中，當該值小於輸入值時，即使還沒有達到迭代次數，訓練 也會停止，然後開始進行分類。
（6） Number of Hidden Layers：鍵入所用隱藏層的數量。要進行線性分類，鍵入值為0。沒有隱藏層，不同的輸入區域必須與一個單獨的超平面線性分離。要進行非線性分類，輸入 值應該大於或等於1，當輸入的區域並非線性分離或需要兩個超平面才能區分類別時，必須擁有至少一個隱藏層才能解決這個問題。兩個隱藏層用於區分輸入空間， 空間中的不同要素不臨近也不相連。
（7） Number of Training Iterations：輸入用於訓練的迭代次數。
Min Output Activation Threshold：輸入一個最小輸出活化閾值。如果被分類像元的活化值小於該閾值，在輸出的分類中，該像元將被歸入未分類中 （unclassified）。
這些是 神經網路各個引數的說明
ENVI神經網路工具使用操作說明：
（1） 在主選單中，選擇Classification->Supervised-> Neural Net Classification，在檔案輸入對話方塊中選擇TM分類影像。單擊OK按鈕開啟Neural Net Classification引數設定面板（圖1）。
（2） SelectClasses from Regions：單擊Select All Items按鈕，選擇全部的訓練樣本。
（3）Activation：選擇活化函式。對數（Logistic）和雙曲線（Hyperbolic）。
（4）Training Threshold Contribution：輸入訓練貢獻閾值(0-1)
（5）Training Rate：設定權重調節速度（0~1）。引數值越大則使訓練速度越 快，但也增加擺動或者使訓練結果不收斂。
（6）Training Momentum：輸入一個0~1的值。該值大於0時，在“Training Rate”文字框中鍵入較大值不會引起擺動。該值越大，訓練的步幅越大。該引數的作用是促使權重沿當前方向改變。
（7）Training RMS Exit Criteria：指定RMS誤差為何值時，訓練應該停止。RMS誤差值在訓練過程中將顯示在圖 表中，當該值小於輸入值時，即使還沒有達到迭代次數，訓練也會停止，然後開始進行分類。
（8）Number of Hidden Layers：鍵入所用隱藏層的數量。要進行線性分類，鍵入值為0。沒有隱藏層，不同的輸入區域必須與一個單獨的超平面線性分離。要進行非線性分類，輸入值應該大於或等於1，當輸入的區域並非線性分離或需要兩個超平面才能區分類別時，必須擁有至少一個隱藏層才能解決這個問題。兩個隱藏層用於區分輸入 空間，空間中的不同要素不臨近也不相連。
（9）Number of Training Iterations：輸入用於訓練的迭代次數。
（10）Min Output Activation Threshold：輸入一個最小輸出活化閾值。如果被分類像元 的活化值小於該閾值，在輸出的分類中，該像元將被歸入未分類中（unclassified）。
（11） 選擇分類結果的輸出路徑及檔名。
（12） 設定Out Rule Images為Yes，選擇規則影象輸出路徑及檔名。
（13）單擊OK按鈕執行 分類。