PSO—BP模型在遙感影像分類中的應(yīng)用研究

摘 要：針對目前采用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行遙感影像分類時(shí)存在的對初始權(quán)閾值敏感、易陷入局部極值和收斂速度慢的問題，為了提高BP模型遙感影像分類精度，將粒子群算法引入到BP網(wǎng)絡(luò)模型參數(shù)選擇中。首先運(yùn)用粒子群算法對BP模型權(quán)閾值參數(shù)進(jìn)行初始尋優(yōu)，再用改進(jìn)BP算法對優(yōu)化的網(wǎng)絡(luò)模型權(quán)閾值進(jìn)一步精確優(yōu)化，隨后建立基于粒子群算法的BP網(wǎng)絡(luò)分類模型，并采用MATLAB語言實(shí)現(xiàn)了該算法，將其應(yīng)用到遙感影像數(shù)據(jù)分類研究中。仿真結(jié)果表明，新模型有效提高了遙感影像分類準(zhǔn)確性，為遙感影像分類提出了一種新的方法，具有廣泛研究價(jià)值。

關(guān)鍵詞：遙感；影像分類；BP神經(jīng)網(wǎng)絡(luò)；粒子群算法

1 概述

自20世紀(jì)70年代以來，遙感技術(shù)伴隨著地理信息處理技術(shù)的飛速發(fā)展也得到了快速發(fā)展。遙感影像分類技術(shù)作為遙感技術(shù)中的研究重點(diǎn)，更加得到了相關(guān)學(xué)者的關(guān)注。近年來，人工神經(jīng)網(wǎng)絡(luò)作為一種新型的信息處理技術(shù)，已被廣泛應(yīng)用于遙感圖像分類，其中應(yīng)用最多最成功的當(dāng)數(shù)BP神經(jīng)網(wǎng)絡(luò)[1-3]。但是，BP神經(jīng)網(wǎng)絡(luò)由于其初始權(quán)閾值的不確定性，使得BP神經(jīng)網(wǎng)絡(luò)存在著訓(xùn)練速度慢，易陷入局部極小值的問題。因此，出現(xiàn)了大量對BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)方法。改進(jìn)方法分為兩類，第一類是對BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)，如附加動(dòng)量法、帶有動(dòng)量項(xiàng)自適應(yīng)學(xué)習(xí)率法以及Levenberg-Marquard算法等[4-6]。第二類是引入新的智能算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)權(quán)閾值，然后結(jié)合改進(jìn)BP算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)運(yùn)行效果，提高BP模型運(yùn)行效率[7，8]。本文主要研究基于粒子群神經(jīng)網(wǎng)絡(luò)（PSO-BP）的遙感影像分類模型，并采用MATLAB語言實(shí)現(xiàn)了該模型，實(shí)驗(yàn)結(jié)果表明，該改進(jìn)模型不僅具有更好地分類穩(wěn)定性，同時(shí)也具有比BP神經(jīng)網(wǎng)絡(luò)模型更高的分類精度。

2 遙感影像分類模型的搭建

2.1 核心思想

遙感影像分類模型搭建的理論基礎(chǔ)是粒子群算法與BP神經(jīng)網(wǎng)絡(luò)的有效結(jié)合，相比遺傳算法，粒子群算法保留了種群基礎(chǔ)上的全局搜索策略，其采用的速度——位移進(jìn)化方式操作簡單，避免了復(fù)雜的選擇交叉變異操作。它特有的記憶能力使其可以根據(jù)當(dāng)前追蹤的搜索情況，動(dòng)態(tài)調(diào)整搜索策略，尋找到最優(yōu)解。因此，本文在構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的遙感影像分類模型的基礎(chǔ)上，將粒子群算法引入到BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)的優(yōu)化中，首先采用粒子群算法縮小BP模型權(quán)閾值的搜索范圍，然后再采用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行二次搜索，確定權(quán)閾值，得到模型最終權(quán)閾值，形成最終模型。這樣構(gòu)造的模型既可以避免由于權(quán)閾值的隨機(jī)性造成的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的穩(wěn)定性差、可靠性低與易陷入局部極小的問題，同時(shí)又可以提高模型的分類精度。

2.2 基于MATLAB的模型實(shí)現(xiàn)步驟

Step1——基本參數(shù)設(shè)定。取粒子個(gè)數(shù)N=30。對于搜索空間維度D，輸入層indim=3，隱層hiddennum=11，輸出層outdim=3，則D=（indim+1）*hiddennum+（hiddennum+1）*outdim=80。本文取每個(gè)微粒的加速項(xiàng)權(quán)重學(xué)習(xí)因子c1=c2=2。慣性因子W的取值直接影響粒子局部與全局搜索能力，為保持粒子對種群搜索空間的拓展能力，采用線性遞減權(quán)值策略，它能使W由wmax隨迭代次數(shù)線性遞減到wmin。

for iter=1：itmax

W（iter）=wmax-（（wmax-wmin）/itmax）*iter；

end

式中，itmax=100為最大進(jìn)化代數(shù)，iter為當(dāng)前進(jìn)化代數(shù)。wmax=0.9為初始慣性權(quán)值，wmin=0.4為迭代至最大代數(shù)時(shí)的慣性權(quán)值。

Step2——適應(yīng)度函數(shù)的編寫。PSO-BP神經(jīng)網(wǎng)絡(luò)模型算法運(yùn)行的目的是只要算法迭代停止時(shí)去噪后圖像與原始圖像的誤差最小，就說明此時(shí)的圖像去噪效果最好，此時(shí)粒子對應(yīng)位置即為所求最優(yōu)值。因此本模型的適應(yīng)度函數(shù)代碼如下：

function fitness=fitcal（pm，net，indim，hiddennum，outdim，D，Ptrain，Ttrain）

[x，y，z]=size（pm）；

for i=1：x

for j=1：hiddennum

x2iw（j，：）=pm（i，（（j-1）*indim+1）：j*indim，z）；

end

for k=1：outdim

x2lw（k，：）=pm（i，（indim*hiddennum+1）：（indim*hiddennum+hiddennum），z）；

end

x2b=pm（i，（（indim+1）*hiddennum+1）：D，z）；x2b1=x2b（1：hiddennum）'；

x2b2=x2b（hiddennum+1：hiddennum+outdim）'；

net.IW{1，1}=x2iw；net.LW{2，1}=x2lw；

net.B{1}=x2b1；net.B{2}=x2b2；

error=sim（net，Ptrain）-Ttrain；

fitness（i，1，z）=mse（error）；

end

Step3——速度與位置初始化。由于BP模型權(quán)閾值參數(shù)一般取[-1，1]之間的隨機(jī)數(shù)，因此群體中每個(gè)粒子對應(yīng)的初始位置參數(shù)X和速度參數(shù)V均取為[-1，1]之間的隨機(jī)數(shù)。主要代碼如下：

X=-0.5+1*rand（N，D，1）；

V=-0.5+1*rand（N，D，1）；

Step4——速度位置更新。利用適應(yīng)度函數(shù)計(jì)算個(gè)體適應(yīng)度值，進(jìn)行局部最優(yōu)和全局最優(yōu)位置更新。其主要代碼如下：

V（：，：，j+1）=W（j）*V（：，：，j）+c1*rand*（pbest（：，：，j）-X（：，：，j））+c2*rand*（G（：，：，j）-X（：，：，j））+rand*（G（：，：，1）- pbest（：，：，1））；

for ni=1：N

for di=1：D

if V（ni，di，j+1）>vmax

V（ni，di，j+1）=vmax；

elseif V（ni，di，j+1）<-vmax

V（ni，di，j+1）=-vmax；

else

V（ni，di，j+1）=V（ni，di，j+1）；

end

end

end

X（：，：，j+1）=X（：，：，j）+V（：，：，j+1）；

Step5——解碼。當(dāng)算法按照預(yù)設(shè)參數(shù)結(jié)束后，將參數(shù)解碼，并賦給BP神經(jīng)網(wǎng)絡(luò)模型。并其主要代碼如下：

for t=1：hiddennum

x2iw（t，：）=gbest（1，（（t-1）*indim+1）：t*indim，j）；

end

for r=1：outdim

x2lw（r，：）=gbest（1，（indim*hiddennum+1）：（indim*hiddennum+hiddennum），j）；

end

x2b=gbest（1，（（indim+1）*hiddennum+1）：D，j）；

x2b1=x2b（1：hiddennum）'；

x2b2=x2b（hiddennum+1：hiddennum+outdim）'；

net=newff（Pn_train，Tn_train，[hiddennum outdim]，{'tansig'，'purelin'}，'trainlm'）；

net.IW{1，1}=x2iw；net.LW{2，1}=x2lw；

net.b{1}=x2b1；net.b{2}=x2b2；

3 遙感影像分類仿真實(shí)驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)處理

由于采集到的遙感影像數(shù)據(jù)不是模型可以直接利用的數(shù)據(jù)類型，所以在將遙感影像數(shù)據(jù)輸入模型之前先將其轉(zhuǎn)換為R，G，B三波段數(shù)據(jù)，再將三波段數(shù)據(jù)轉(zhuǎn)換為3行，從而形成輸入矩陣。再自行定義目標(biāo)向量，并將其轉(zhuǎn)換為與輸入向量結(jié)構(gòu)相同的向量，構(gòu)成了神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本對。本文采用LANDSAT衛(wèi)星崇明島遙感影像圖片作為實(shí)驗(yàn)數(shù)據(jù)，圖1為實(shí)驗(yàn)中用到的圖片，圖2為轉(zhuǎn)換后計(jì)算機(jī)中存儲(chǔ)的矩陣數(shù)據(jù)。

3.2 仿真實(shí)驗(yàn)

表1給出了基于不同算法的分類結(jié)果對比，從表中可以看，由于對BP模型的權(quán)閾值進(jìn)行了2次優(yōu)化，基于PSO-trainlm BP算法的遙感影像分類模型具有更高的分類精度，且分類模型的穩(wěn)定性也要好于基本BP模型與改進(jìn)BP模型，圖3給出了某次分類的分類結(jié)果圖，從分類后的圖可以看出，如果有清晰的遙感影響圖片及采樣點(diǎn)精確的話，可以得到很高的分類精度。

4 結(jié)束語

本文主要研究了基于PSO-BP算法的神經(jīng)網(wǎng)絡(luò)遙感影像分類模型，并采用MATLAB語言進(jìn)行了仿真，在研究中發(fā)現(xiàn)在進(jìn)行遙感影像分類時(shí)采用梯度下降BP算法的模型存在訓(xùn)練速度慢，對初始權(quán)閾值參數(shù)敏感且易陷入局部極小值的問題。針對這個(gè)問題采用粒子群算法及改進(jìn)BP算法對權(quán)閾值進(jìn)行兩次優(yōu)化，將優(yōu)化后的權(quán)閾值作為分類模型的最終參數(shù)。實(shí)驗(yàn)結(jié)果表明這種設(shè)想是成功的，將粒子群算法引入到基于改進(jìn)算法的BP遙感影像分類模型后，不僅可以提高分類模型分類精度，同時(shí)也可以提高模型運(yùn)行的穩(wěn)定性。

參考文獻(xiàn)

[1]徐磊，林劍，李艷華.基于BP人工神經(jīng)網(wǎng)絡(luò)的遙感影像分類[J].地理空間信息，2012，10（4）：83-86.

[2]王睿，韋春桃，馬云棟.基于BP神經(jīng)網(wǎng)絡(luò)的Landsat影像去云方法[J].桂林理工大學(xué)學(xué)報(bào)，2015，35（3）：535-539.

[3]麥格，童新華.基于BP神經(jīng)網(wǎng)絡(luò)的石漠化遙感影像分類方法的探討[J].廣西師范學(xué)院學(xué)報(bào)：自然科學(xué)版，2013，30（1）：70-77.

[4]馬麗霞，逄超，陳曉輝.BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)算法及在大壩變形分析與預(yù)報(bào)中的應(yīng)用[J].吉林建筑大學(xué)學(xué)報(bào)，2016，33（4）.

[5]王軍.改進(jìn)BP網(wǎng)絡(luò)在瀝青路面構(gòu)造深度預(yù)測中的應(yīng)用[J].廈門理工學(xué)院學(xué)報(bào)，2016，24（3）.

[6]蔚治國.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的樣本分類方法[J].自動(dòng)化與儀器儀表，2016（6）.

[7]游丹丹，陳福集.基于改進(jìn)粒子群和BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情預(yù)測研究[J].情報(bào)雜志，2016，35（8）.

[8]田亞鵬，鞠斌山.基于遺傳算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的頁巖氣產(chǎn)量遞減預(yù)測模型[J].中國科技論文，2016（15）.

作者簡介：王海軍（1982-），男，漢族，內(nèi)蒙古鄂爾多斯市人，鄂爾多斯應(yīng)用技術(shù)學(xué)院教師，高級工程師，工學(xué)碩士，研究方向：人工智能算法應(yīng)用。