|
ニューラルネットワークは線形分離が困難なデータのクラス分類に対して有効であることが認識されているが、クラス分類の対象となる画素の中で各クラスに対応する画素の分布密度に大きな差があるときには特徴空間でのクラス分布の重なりの影響が大きくなる。このような場合には、単一のニューラルネットワークの分類では、十分なユニットを用意し十分な学習を与えなければ、ほぼ等しい特徴ベクトルを有する画素群を正確に区別することは困難となる。逆に、十分なユニット数の確保およに学習を許せば、未知画素の特徴ベクトルに対する汎用性(汎化能力)が劣る原因となる。
こういった背景から、各クラスの抽出に適したニューラルネットワークを並列して分類判定を行い、これらを統合することで精度の向上と統計的な安定性を確保できる多段のニューラルネットワークを考案し、各クラスの画素の分布密度に大きな差がある衛星画像のクラス分類精度の向上を図る方法について検討し、単一のニューラルネットワークに対してより有効であることを確認した。
さらに、多段ニューラルネットワークを領域や時系列変化に対応するモデルに拡張し解析をすすめ、1地点・1時刻の多段ニューラルネットワーク解析に対して、多地点・多時刻環境の特徴を抽出する多段ニューラルネットワークの有用性を確認した。
さらに、上記解析を従来より用いられている最尤法やファジ-推論による解析と比較・検討し、提唱する解析法の有用性を確認した。
|
