（1） Activation：选择活化函数。对数（Logistic）和双曲线（Hyperbolic）。
（2） Training Threshold Contribution：输入训练贡献阈值(0-1)。该参数决定了与活化节点级别相关的内部权重的贡献量。它用于调节节点内部权重的变化。训练算法交 互式地调整节点间的权重和节点阈值，从而使输出层和响应误差达到最小。将该参数设置为0不会调整节点的内部权重。适当调整节点的内部权重可以生成一幅较好 的分类图像，但是如果设置的权重太大，对分类结果也会产生不良影响。
（3） Training Rate：设置权重调节速度（0~1）。参数值越大则使训练速度越快，但也增加摆动或者使训练结果不收敛。
（4） Training Momentum：输入一个0~1的值。该值大于0时，在“Training Rate”文本框中键入较大值不会引起摆动。该值越大，训练的步幅越大。该参数的作用是促使权重沿当前方向改变。
（5） Training RMS Exit Criteria：指定RMS误差为何值时，训练应该停止。RMS误差值在训练过程中将显示在图表中，当该值小于输入值时，即使还没有达到迭代次数，训练 也会停止，然后开始进行分类。
（6） Number of Hidden Layers：键入所用隐藏层的数量。要进行线性分类，键入值为0。没有隐藏层，不同的输入区域必须与一个单独的超平面线性分离。要进行非线性分类，输入 值应该大于或等于1，当输入的区域并非线性分离或需要两个超平面才能区分类别时，必须拥有至少一个隐藏层才能解决这个问题。两个隐藏层用于区分输入空间， 空间中的不同要素不临近也不相连。
（7） Number of Training Iterations：输入用于训练的迭代次数。
Min Output Activation Threshold：输入一个最小输出活化阈值。如果被分类像元的活化值小于该阈值，在输出的分类中，该像元将被归入未分类中 （unclassified）。
这些是 神经网络各个参数的说明

ENVI神经网络工具使用操作说明：
（1）    在主菜单中，选择Classification->Supervised-> Neural Net Classification，在文件输入对话框中选择TM分类影像。单击OK按钮打开Neural Net Classification参数设置面板（图1）。
（2）  SelectClasses from Regions：单击Select All Items按钮，选择全部的训练样本。
（3）Activation：选择活化函数。对数（Logistic）和双曲线（Hyperbolic）。
（4）Training Threshold Contribution：输入训练贡献阈值(0-1)。该参数决定了与活化节点级别相关的内部权重的贡献量。它用于调节节点内部权重的变化。训练算法交互式地调整节点间的权重和节点 阈值，从而使输出层和响应误差达到最小。将该参数设置为0不会调整节点的内部权重。适当调整 节点的内部权重可以生成一幅较好的分类图像，但是如果设置的权重太大，对分类结果也会产生不良影响。
（5）Training Rate：设置权重调节速度（0~1）。参数值越大则使训练速度越 快，但也增加摆动或者使训练结果不收敛。
（6）Training Momentum：输入一个0~1的值。该值大于0时，在“Training Rate”文本框中键入较大值不会引起摆动。该值越大，训练的步幅越大。该参数的作用是促使权重沿当前方向改变。
（7）Training RMS Exit Criteria：指定RMS误差为何值时，训练应该停止。RMS误差值在训练过程中将显示在图 表中，当该值小于输入值时，即使还没有达到迭代次数，训练也会停止，然后开始进行分类。
（8）Number of Hidden Layers：键入所用隐藏层的数量。要进行线性分类，键入值为0。没有隐藏层，不同的输入区域必须与一个单独的超平面线性分离。要进行非线性分类，输入值应该大于或等于1，当输入的区域并非线性分离或需要两个超平面才能区分类别时，必须拥有至少一个隐藏层才能解决这个问题。两个隐藏层用于区分输入 空间，空间中的不同要素不临近也不相连。
（9）Number of Training Iterations：输入用于训练的迭代次数。
（10）Min Output Activation Threshold：输入一个最小输出活化阈值。如果被分类像元 的活化值小于该阈值，在输出的分类中，该像元将被归入未分类中（unclassified）。
（11） 选择分类结果的输出路径及文件名。
（12） 设置Out Rule Images为Yes，选择规则图像输出路径及文件名。
（13）单击OK按钮执行 分类。