基于K－L變換的自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)在海底底質(zhì)分類中的應(yīng)用

郭 軍，馬金鳳

（廣州海洋地質(zhì)調(diào)查局資料處理研究所，廣東 廣州 510760）

隨著多波束聲納、側(cè)掃聲納、淺層剖面儀等水下遙測(cè)工具的不斷出現(xiàn)，人們對(duì)海底底質(zhì)的認(rèn)識(shí)也不斷清晰起來(lái)，借助水下遙測(cè)工具獲得的海底圖像，技術(shù)人員可辨識(shí)不同類別的海底質(zhì)地，同時(shí)也可發(fā)現(xiàn)海底的人工目標(biāo)。

由于不同類型的底質(zhì)在聲圖上構(gòu)成的紋理結(jié)構(gòu)是不同的［1－2］。紋理是海底表面結(jié)構(gòu)粗糙程度的直接反應(yīng)，是屬于特定類型的底質(zhì)特有的屬性，能將其與不同類型的底質(zhì)區(qū)分開(kāi)來(lái)。本文采用灰度共生矩陣來(lái)統(tǒng)計(jì)紋理，利用不同的權(quán)矩陣對(duì)其進(jìn)行加權(quán)處理可得到紋理特征統(tǒng)計(jì)量。

近年來(lái)神經(jīng)網(wǎng)絡(luò)的廣泛應(yīng)用為海底底質(zhì)分類提供了新的方法，如采用BP神經(jīng)網(wǎng)絡(luò)、Hopflied神經(jīng)網(wǎng)絡(luò)及小波神經(jīng)網(wǎng)絡(luò)等對(duì)底質(zhì)進(jìn)行監(jiān)督分類［3］。然而在實(shí)際應(yīng)用中，上述網(wǎng)絡(luò)還存在著分類精度依賴于網(wǎng)絡(luò)訓(xùn)練樣本，且訓(xùn)練速度慢、不易收斂等缺點(diǎn)。自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)是一種“無(wú)師自通”的網(wǎng)絡(luò)，具有自組織、自適應(yīng)的學(xué)習(xí)能力。本文采用其對(duì)海底底質(zhì)進(jìn)行自動(dòng)分類。

1 特征矢量提取

底質(zhì)分類中采用的特征矢量有3種：直接的反向散射強(qiáng)度、對(duì)反向散射強(qiáng)度譜分析后提取的參數(shù)、影像紋理分析［4－5］。實(shí)際應(yīng)用中，由于反向散射強(qiáng)度模型與測(cè)量值之間存在著一定的偏差，可能導(dǎo)致不同聲納系統(tǒng)獲得的結(jié)果不一致［6］。若只采用前兩種矢量，可能會(huì)影響分類精度。而影像紋理不直接采用像素絕對(duì)大小，其作為特征矢量更具有普遍性，本文將其作為底質(zhì)分類的輸入特征矢量。

1.1 共生矩陣

灰度共生矩陣反映圖像灰度關(guān)于方向、相鄰間隔及變換幅度的綜合信息［7］。本文采用反差、方差、熵、逆差距、角二階距和灰度相關(guān)6個(gè)紋理統(tǒng)計(jì)特征，公式為

式中：ux，uy，σx，σy分別為px，py的均值和均方差；u為均值；

1.2 K－L變換

設(shè)有向量集

其數(shù)學(xué)期望為E（X），U是X的協(xié)方差矩陣C的特征向量按其特征根由大到小的順序排列而構(gòu)成的變換矩陣。那么

為主成分分析算法。

設(shè)λi為變換矩陣U的特征值，將其按λ1≥λ2≥…λn排列，令為前d個(gè)主成分的累積貢獻(xiàn)率，反映了前d個(gè)主成分綜合原始7個(gè)特征矢量信息的能力。究竟采用幾個(gè)主成分來(lái)代替原始的7個(gè)特征矢量才合適呢？通常的做法是取較小的d，使得前d個(gè)主成份的累積貢獻(xiàn)率不低于某一個(gè)水平（通常為85%）。本文采用V作為對(duì)聲圖特征信息進(jìn)行主成分分析后保留多少主分量的衡量準(zhǔn)則。

2 自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)

自組織神經(jīng)網(wǎng)絡(luò)是一種沒(méi)有導(dǎo)師監(jiān)督學(xué)習(xí)方式的神經(jīng)網(wǎng)絡(luò)［8］，該網(wǎng)絡(luò)具有自組織、自適應(yīng)改變網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)的特點(diǎn)，能夠自行分析、比較樣本的內(nèi)在規(guī)律，并對(duì)具有共同特征的樣本進(jìn)行正確的分類，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本文采用的自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)具體設(shè)計(jì)步驟如下：

1）初始化網(wǎng)絡(luò)。設(shè)置網(wǎng)絡(luò)的連接權(quán)值wij（i＝1，2，…，N，j＝1，2，…，M），其中N為輸入層神經(jīng)元個(gè)數(shù)，M為競(jìng)爭(zhēng)層神經(jīng)元個(gè)數(shù)，且滿足約束條件

2）給輸入層賦初值，作數(shù)據(jù)的歸一化。

3）計(jì)算競(jìng)爭(zhēng)層神經(jīng)元狀態(tài)，xi輸入樣本向量的第i個(gè)元素，則有

4）根據(jù)競(jìng)爭(zhēng)機(jī)制，具有最大加權(quán)值的神經(jīng)元k贏得競(jìng)爭(zhēng)勝利輸出為

5）修正競(jìng)爭(zhēng)后的權(quán)值，對(duì)所有的輸入層神經(jīng)元i有

6）若各連接權(quán)值的調(diào)整量趨近于0，則結(jié)束，否則返回步驟2）。

3 實(shí)驗(yàn)分析

實(shí)驗(yàn)用圖來(lái)源于加利福尼亞大學(xué)海圖實(shí)驗(yàn)室提供的位于加利福尼北部Mackerricher州立保護(hù)區(qū)內(nèi)的側(cè)掃聲納圖像。根據(jù)已有的數(shù)據(jù)顯示，該地區(qū)的海底底質(zhì)大致分為5類：泥土、沙地、巖石、沙礫、泥沙。實(shí)驗(yàn)中，在上述5個(gè)不同的特征區(qū)域提取5個(gè)樣本圖像數(shù)據(jù)，如圖2所示，定義樣本的尺寸大小為128×128像素，將每個(gè)樣本圖像分成16小塊，尺寸大小為32×32像素，其中8塊用于網(wǎng)絡(luò)的訓(xùn)練和學(xué)習(xí)，剩余8塊用于網(wǎng)絡(luò)的測(cè)試分類。原始樣本圖像的灰度級(jí)為256級(jí)，由此得出的共生矩陣過(guò)大，增加了運(yùn)算量。在不影響紋理的情況下，對(duì)樣本圖像的灰度級(jí)做適當(dāng)?shù)淖儞Q以減少灰度級(jí)，再計(jì)算共生矩陣。本文將樣本圖像的灰度級(jí)降至16級(jí)，計(jì)算樣本的共生矩陣后，對(duì)提取出的特征矢量和均值進(jìn)行K－L變換已達(dá)到降維和減少冗余信息的目的，然后對(duì)樣本圖像構(gòu)建自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)路，在該網(wǎng)絡(luò)中對(duì)樣本圖像實(shí)現(xiàn)自動(dòng)分類。

圖2 海底底質(zhì)樣本

實(shí)驗(yàn)中計(jì)算出子樣本的均值、反差、方差、熵、逆差距、角二階距和灰度相關(guān)共有7個(gè)特征統(tǒng)計(jì)量，計(jì)算結(jié)果見(jiàn)表1、表2。

表1 沙地樣本特征統(tǒng)計(jì)量

表2 泥沙樣本特征統(tǒng)計(jì)量

實(shí)驗(yàn)以沙地為例，顯示了4個(gè)樣本的數(shù)據(jù)，計(jì)算結(jié)果如圖3所示。從圖3中可以看出，前4個(gè)主成分的累計(jì)貢獻(xiàn)率為94.80%，遠(yuǎn)遠(yuǎn)超過(guò)了85%，這說(shuō)明前4個(gè)主成分完全可以將原有特征矢量的主要信息反映出來(lái)。為此本文將特征矢量經(jīng)過(guò)K－L變換后的維數(shù)設(shè)置為4，即每個(gè)樣本數(shù)據(jù)可以用4個(gè)主要的特征矢量表示。沙地和泥沙經(jīng)過(guò)K－L變換后的特征矢量見(jiàn)表3、表4。

圖3 沙地主成分累積貢獻(xiàn)率

表3 沙地樣本主成分分析特征向量

表4 泥沙樣本主成分分析特征向量

實(shí)驗(yàn)共有16×5＝80組樣本數(shù)據(jù)，其中前40組作為網(wǎng)絡(luò)訓(xùn)練集數(shù)據(jù)，后40組作為測(cè)試集數(shù)據(jù)。采用一個(gè)80×4的矩陣，即每個(gè)樣本中包含4個(gè)元素，由于要區(qū)分的類別數(shù)目為5，因此設(shè)置自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的競(jìng)爭(zhēng)層神經(jīng)元數(shù)目為5。為了加快學(xué)習(xí)速度，將學(xué)習(xí)速率設(shè)置為0.1，訓(xùn)練次數(shù)為500次。實(shí)驗(yàn)結(jié)果見(jiàn)表5、表6、表7。從實(shí)驗(yàn)結(jié)果可以看出，自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)成功地對(duì)40個(gè)訓(xùn)練樣本進(jìn)行聚類，其中分類標(biāo)識(shí)為1的樣本為沙石，標(biāo)識(shí)為2的樣本為泥土，標(biāo)識(shí)為3的樣本為巖石，標(biāo)識(shí)為4的樣本為沙地，標(biāo)識(shí)為5的樣本為泥沙。從表7中可以看出，經(jīng)過(guò)訓(xùn)練的自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)對(duì)40個(gè)測(cè)試樣本進(jìn)行了分類，分類錯(cuò)誤率為1/40＝0.025%，將一個(gè)沙地樣本錯(cuò)歸為泥沙樣本，其他各類樣本均沒(méi)有出現(xiàn)錯(cuò)分現(xiàn)象。

表5 訓(xùn)練樣本的分類結(jié)果

表6 測(cè)試樣本的分類結(jié)果

表7 類矩陣及精度評(píng)價(jià)

為了驗(yàn)證本文算法的有效性，采用傳統(tǒng)的最大似然法和基于BP神經(jīng)網(wǎng)絡(luò)法與之進(jìn)行比較，實(shí)驗(yàn)為：本文算法精度為98%，BP神經(jīng)網(wǎng)絡(luò)法為89%，最大似然法為90%。由結(jié)果可以看出，本文算法精度要明顯高于傳統(tǒng)的分類算法，錯(cuò)分現(xiàn)象顯著減少，驗(yàn)證了該算法在海底質(zhì)地分類中的有效性和可行性。最后筆者利用matlab平臺(tái)編寫(xiě)了基于K－L變換的自組織神經(jīng)網(wǎng)絡(luò)海底底質(zhì)分類軟件，包括圖像預(yù)處理、特征提取、K－L變換和網(wǎng)絡(luò)分類4個(gè)模塊。

4 結(jié)束語(yǔ)

采用基于K－L變換的自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)分類，利用了該網(wǎng)絡(luò)自組織學(xué)習(xí)特點(diǎn)，K－L變換大大減少了聲圖特征矢量的冗余性，同時(shí)又保持了各分量之間的獨(dú)立性?；叶裙采仃嚭突叶染党浞址从沉瞬煌５椎踪|(zhì)的特性，由于其存在交叉，采用單一的特征矢量分類不可行，將兩者相結(jié)合，可獲得正確的分類結(jié)果。

［1］Chakraborty B，Kodagali V，Baracho J.Sea－Floor Classification Using Multibeam Echo－Sounding Angular Backscatter Data：A Real－Time Approach Employing Hybrid Neural Network Architecture［J］.IEEE Journal of Oceanic Engineering，2003，28（1）：121－128.

［2］Preston J M，Christney A C，Bloomer S F，et al.Seabed Classification of Mulibeam Sonar Image［J］.Oceans，2001（4）：2616－2623.

［3］Michalopoulou Z H，Alexandrou D，Moustier D C.Application of neural and statistical classifiers to the problem of seafloor characterization［J］.IEEE Journal of Oceanic Engineering，1995，20（3）：190－197.

［4］Tamseet D.Seabed Characterization and Classification from Power Spectura of Side－scan Sonar Data［J］.Geophys，1993，15：43－64.

［5］陽(yáng)凡林.多波束和側(cè)掃聲納數(shù)據(jù)融合及其在海底底質(zhì)分類中的應(yīng)用［D］.武漢：武漢大學(xué)，2003.

［6］唐秋華，周興華，劉寶華，等.學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)在多波束底質(zhì)分類中的應(yīng)用［J］.武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2006，31（3）：44－47.

［7］田艷琴，郭 平，盧漢清.基于灰度共生矩陣的多波段遙感圖像紋理特征的提?。跩］.計(jì)算機(jī)科學(xué)，2004（12）：164－165.

［8］田景文，高美娟.人工神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用［M］.北京：北京理工大學(xué)出版社，2006.