The potential of neural networks in multidimensional interpolation was explored using a multilayer perception for fitting surfaces to a synthetic topographic dataset. Density-sliced and shaded relief images generated through this neural network-based surface-fitting scheme were compared with those generated by conventional approaches, eg, Akima's quintic polynomial fit and inverse square method [Akima, 1978]. Compared with the conventional approaches, the neural network approach was found to better represent the nonlinearity in the synthetic dataset. This paper also presents a method for classifying remotely sensed data, using an artificial neural network (ANN) approach. The ANN used was a multilayer perception trained through the generalized delta learning rule. The software package was completely generalized in nature and could deal with any number of input units (spectral bands), output units (feature classes) and hidden layers. Different numbers of hidden neurons could also be considered in various hidden layers. The software package was also used for classifying IRS-1A LISS-1 images.
Le potentiel de reseaux de neurones dans une interpolation multidimensionnelle a ete explore en utilisant un perceptron multicouches pour un ajustement de surfaces avec un jeu de donnees topographiques synthetiques. Des images isodensitometriques et d'estompage de relief generees par ce schema de reseau de neurones pour l'ajustement de surface ont ete comparees avec celles generees par des approaches conventionnelles, par exemple la methode d'ajustement d'Akima utilisant des polynomes de degre 5 et l'inverse du carre [Akima, 1978]. Compare avec les approaches conventionnelles, la methode des reseaux de neurones represente mieux la non-linearite dans le jeu de donnees synthetiques. Cet article presente egalement une methode pour la classification de donnees de teledetection, en utilisant une approche de reseau de neurones artificiels (ANN) pour laquelle on a utilise un perception multicouche instruit par l'intermediaire de la regle delta generalisee. Le logiciel a ete completement generalise et peut accepter n'importe quel nombre d'unites d'entree (bandes spectrales), d'unites de sortie (classes d'objets) et couches cachees. Differents nombres de neurones caches peuvent egalement etre consideres dans les differentes couches cachees. Le logiciel a egalement ete utilise pour la classification d'images IRS-1A LISS-I.
Se exploro el potencial de redes neurales para la interpolacion multidimensional, usando un perceptron de capas multiples para ajustar superficies a una serie sintetica de datos topograficos. Las imagenes de relieve sombreadas, obtenidas por segmentacion de densidad y generadas a traves de este esquema de ajuste de superficies basado en redes neurales, fueron comparadas con aquellas generadas por enfoques convencionales, eg, el ajuste por el polinomio quintico y el metodo cuadrado inverso de Akima [Akima, 1978]. Comparado con los enfoques convencionales, el enfoque de red neural resulto representar mejor el caracter no lineal de la serie de datos sintetica. Este articulo presenta tambien un metodo para clasificar datos de teledeteccion usando un enfoque de red neural artificial (ANN). Se uso un perceptron de capas multiples como red neural artificial, el cual fue entrenado a traves de la regla generalizada de aprendizaje delta. El paquete de programacion fue completamente generalizado en naturaleza y podia manejar cualquier numero de unidades de entrada (bandas espectrales), unidades de salida (clases de rasgos) y capas escondidas. Se pudo tambien tomar en cuenta diferentes numeros de neurones escondidos en varias capas escondidas. Tambien se uso el paquete de programacion para clasificar imagenes IRS-1A LISS-I.