王海軍

(鄂爾多斯應(yīng)用技術(shù)學(xué)院,內(nèi)蒙古 鄂爾多斯 017000)

AGA-BP模型在遙感影像分類中的應(yīng)用研究

王海軍

(鄂爾多斯應(yīng)用技術(shù)學(xué)院,內(nèi)蒙古 鄂爾多斯 017000)

作為遙感研究的關(guān)鍵技術(shù)，遙感影像分類一直是遙感研究熱點(diǎn);針對(duì)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(duì)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，將自適應(yīng)遺傳算法引入到BP網(wǎng)絡(luò)模型參數(shù)選擇中;首先運(yùn)用自適應(yīng)遺傳算法對(duì)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(duì)優(yōu)化的網(wǎng)絡(luò)模型權(quán)閾值進(jìn)一步精確優(yōu)化，隨后建立基于自適應(yīng)遺傳算法的BP網(wǎng)絡(luò)分類模型，并將其應(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?jī)r(jià)值。

遙感、影像分類、BP神經(jīng)網(wǎng)絡(luò)、自適應(yīng)遺傳算法

0 引言

遙感影像分類作為遙感應(yīng)用中的關(guān)鍵技術(shù)，其主要任務(wù)是根據(jù)地物在遙感影像上的信息特征，從而判別地面物體的類別及其分布情況。目前所使用的遙感影像分類方法主要是數(shù)理統(tǒng)計(jì)方法，如最大似然法、最小距離法和K均值算法等方法。這些統(tǒng)計(jì)方法相對(duì)成熟，準(zhǔn)確性也被人們認(rèn)可，但是采用以上分類方法需要一定數(shù)量的先驗(yàn)條件, 耗費(fèi)人力物力財(cái)力較大,并且人為因素對(duì)分類結(jié)果會(huì)產(chǎn)生一定影響[1]。神經(jīng)網(wǎng)絡(luò)是一種非線性智能處理方法，對(duì)數(shù)據(jù)類型和分布沒有特殊要求，容忍度高、容錯(cuò)性強(qiáng)，對(duì)于離散的、非正態(tài)分布的多源遙感影像數(shù)據(jù)處理是非常合適的[2]。目前采用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行遙感影像分類應(yīng)用最多的是BP(back propagation)神經(jīng)網(wǎng)絡(luò)，但是BP神經(jīng)網(wǎng)絡(luò)存在收斂速度慢、易陷入局部極小值,無法保證全局最優(yōu)等問題[3-5]。

遺傳算法(genetic algorithm,GA)思想來源于生物遺傳學(xué)，借鑒生物進(jìn)化規(guī)律演化而來，是一種具有高度并行、隨機(jī)搜索和自適應(yīng)尋優(yōu)的方法[6]。因此考慮將遺傳算法引入到BP模型優(yōu)化中，構(gòu)建基于GA-BP組合算法的遙感影像分類模型。但是遺傳算法存在局部尋優(yōu)能力差、迭代過程緩慢、且易出現(xiàn)震蕩和早熟收斂等缺點(diǎn)[7]，因此在實(shí)驗(yàn)中采用自適應(yīng)遺傳算法(adaptive genetic algorithm，AGA)來優(yōu)化神經(jīng)網(wǎng)絡(luò)模型。實(shí)驗(yàn)表明與基于BP算法及改進(jìn)BP算法構(gòu)建的模型相比，基于AGA-BP組合算法構(gòu)建的模型在運(yùn)行的穩(wěn)定性及分類精度方面都要優(yōu)于BP算法模型。

1 AGA-BP遙感影像分類模型構(gòu)造

本遙感影像分類模型的構(gòu)造包括數(shù)據(jù)前期處理，模型構(gòu)造，圖像分類三大部分。其中在數(shù)據(jù)的前期處理中，需要用到高清遙感圖像采集設(shè)備，色彩比對(duì)儀等硬件。在模型構(gòu)造部分主要用到高性能電腦及數(shù)據(jù)存儲(chǔ)設(shè)備，最后通過輸出設(shè)備將分類結(jié)果輸出。由于實(shí)際條件限制，本文主要是對(duì)分類模型構(gòu)造算法進(jìn)行研究，并采用Matlab語言進(jìn)行編程測(cè)試。

1.1 分類模型運(yùn)行流程

AGA-BP遙感影像分類模型運(yùn)行流程包括:遙感數(shù)據(jù)采集、遙感數(shù)據(jù)處理、模型優(yōu)化、模型確定和分類結(jié)果輸出幾個(gè)步驟，具體運(yùn)行流程如圖1所示。由圖1可以看出實(shí)際上該分類模型的主要關(guān)注點(diǎn)是AGA算法對(duì)BP模型參數(shù)的優(yōu)化，通過AGA算法強(qiáng)大的全局運(yùn)算能力，最終得到一個(gè)較好的BP模型初始參數(shù)，使BP模型可以快速的找到符合條件的最優(yōu)解，從而得到好的分類模型。

圖1 AGA-BP遙感影像分類模型運(yùn)行流程圖

1.2 AGA-BP算法核心思想

BP網(wǎng)絡(luò)是一種采用反向傳播算法的神經(jīng)網(wǎng)絡(luò)，其通常由三層網(wǎng)絡(luò)結(jié)構(gòu)(輸入層、隱含層和輸出層)構(gòu)成，對(duì)于隱含層根據(jù)需要可以選取一個(gè)或多，對(duì)于大多數(shù)問題，選擇單隱含層足以解決問題，所以本文BP網(wǎng)絡(luò)選擇單隱含層，本文BP模型算法的基本結(jié)構(gòu)如式(1)所示。

Y=purelin[W2* tansig(W1*Pn+B1 ) +B2 ]

(1)

從BP模型算法的基本機(jī)構(gòu)可以看出，其在算法運(yùn)行過程中沒有引入任何額外參數(shù)，其學(xué)習(xí)過程完全是根據(jù)訓(xùn)練樣本對(duì)初始權(quán)閾值參數(shù)W1、W2、B1和B2進(jìn)行調(diào)整，因此初始初始權(quán)閾值參數(shù)選取的好壞將直接影響到最終模型的性能。本文對(duì)初始權(quán)閾值的確定首先采用自適應(yīng)遺傳算法優(yōu)化確定BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)閾值，確定一個(gè)較好的搜索空間，代替一般初始權(quán)閾值的隨機(jī)選取，然后在這個(gè)解空間里對(duì)網(wǎng)絡(luò)參數(shù)采用改進(jìn)的BP算法進(jìn)行訓(xùn)練、學(xué)習(xí)至收斂，搜索出最優(yōu)解或者近似最優(yōu)解。這樣既實(shí)現(xiàn)了兩者的優(yōu)勢(shì)互補(bǔ)，發(fā)揮了神經(jīng)網(wǎng)絡(luò)的廣泛映射能力和遺傳算法的全局搜索能力，也加快了網(wǎng)絡(luò)的學(xué)習(xí)速度，綜合提高了整個(gè)學(xué)習(xí)過程中模型的逼近能力和泛化能力。

2 AGA-BP遙感影像分類模型設(shè)計(jì)

2.1 影像數(shù)據(jù)預(yù)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。這樣就構(gòu)成了輸入矩陣。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，這樣圖片數(shù)據(jù)就轉(zhuǎn)換為矩陣數(shù)據(jù)，就構(gòu)成了神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本對(duì)。本文采用崇明島遙感影像圖片作為實(shí)驗(yàn)數(shù)據(jù)，如圖1為實(shí)驗(yàn)中用到的圖片，圖2為經(jīng)過轉(zhuǎn)換后的數(shù)據(jù)在Matlab中的存儲(chǔ)結(jié)果，從圖2中可以看出原來分辨率1 090×780的圖片數(shù)據(jù)讀入計(jì)算機(jī)變?yōu)?×850200大小的矩陣數(shù)據(jù)。

圖2 實(shí)驗(yàn)中用到的遙感圖片

圖3 讀入計(jì)算機(jī)后的圖片數(shù)據(jù)信息

2.2 AGA算法基本原理

遺傳算法即GA算法是通過對(duì)自然界生物體遺傳、變異來適應(yīng)外界環(huán)境，一代又一代地優(yōu)勝劣汰，發(fā)展進(jìn)化現(xiàn)象的模擬而產(chǎn)生的。它把所求問題解空間映射為遺傳搜索空間，將解對(duì)應(yīng)的所有染色體組成染色群體，并按設(shè)定好的函數(shù)對(duì)染色群體中的每個(gè)個(gè)體進(jìn)行評(píng)價(jià)，進(jìn)行選擇、交叉和變異等遺傳操作。經(jīng)過多代的運(yùn)算后得到適應(yīng)度值最好的個(gè)體就是所求問題的解。在整個(gè)算法運(yùn)行的過程中，除初始解空間外，涉及的兩個(gè)主要參數(shù)是交叉概率Pc和變異概率Pm，而這兩個(gè)參數(shù)將直接影響算法運(yùn)行速度和解得收斂性，為了減小Pc、Pm設(shè)定不當(dāng)對(duì)運(yùn)行結(jié)果的影響，從而產(chǎn)生了自適應(yīng)遺傳算法即AGA算法，給定Pc、Pm的初始范圍，讓其在運(yùn)行過程中根據(jù)適應(yīng)度自行調(diào)整，減小對(duì)算法運(yùn)行結(jié)果的影響。

2.3 AGA-BP模型算法步驟設(shè)計(jì)

Step1:參數(shù)編碼——由于BP模型初始權(quán)閾值參數(shù)一般取[-1,1]之間的隨機(jī)數(shù)，因此在進(jìn)行參數(shù)編碼時(shí),如果采用二進(jìn)制編碼，則每個(gè)個(gè)體碼串會(huì)很長，直接影響算法運(yùn)行時(shí)間和精度，因此本文采用實(shí)數(shù)編碼。假設(shè)BP模型輸入層結(jié)點(diǎn)數(shù)為m，隱含層結(jié)點(diǎn)數(shù)為n，輸出層結(jié)點(diǎn)數(shù)r，則遺傳算法中每個(gè)編碼個(gè)體X與W1、W2、B1和B2的對(duì)應(yīng)關(guān)系如式(2)所示。

X={w111,w112,···,w1mn,w211,w212,···,

w2nr,b11,b12,···,b1n,b21,b22···,b2r}

(2)

Step2:適應(yīng)度函數(shù)確定——遺傳算法在進(jìn)行計(jì)算過程中不與外部通信，僅以適應(yīng)度函數(shù)為依據(jù)。本文采用BP模型實(shí)際輸出值與期望輸出值之間的誤差平方和SE的倒數(shù)作為適應(yīng)度函數(shù)，這樣可以有效的把BP神經(jīng)網(wǎng)絡(luò)算法與遺傳算法的評(píng)估標(biāo)準(zhǔn)融為一體，提高了BP網(wǎng)絡(luò)的性能，適應(yīng)度值F函數(shù)計(jì)算如式(3)所示。

F=1/SE=1/(T-Y)2=(T-purelin[W2*tansig

(W1*Pn+B1)+B2 ])2

(3)

Step3:自適應(yīng)參數(shù)設(shè)計(jì)——在參數(shù)優(yōu)化過程中交叉概率Pc和變異概率Pm的選取至關(guān)重要，為了提高參數(shù)的可用性。本文采用自適應(yīng)遺傳算法，使Pc和Pm能夠隨適應(yīng)度變化自動(dòng)改變。Pc和Pm的計(jì)算表達(dá)式如下[8]：

(4)

(5)

式中，fmax表示群體中最大的適應(yīng)度值，favg表示每代群體的平均適應(yīng)度值，f’表示要交叉的兩個(gè)個(gè)體中較大的適應(yīng)度值，f表示要變異個(gè)體的適應(yīng)度值。

Step4:遺傳操作——根據(jù)已設(shè)參數(shù)，順序利用以下選擇、交叉與變異操作產(chǎn)生新種群，直到算法結(jié)束為止。

(1)選擇操作 采用標(biāo)準(zhǔn)幾何排序選擇算法，對(duì)種群中個(gè)體按照適應(yīng)度值進(jìn)行升序排序，按照式(6)和式(7)分別計(jì)算最佳個(gè)體選擇概率和個(gè)體累計(jì)選擇概率，接下來運(yùn)用輪盤賭選擇法對(duì)種群中的個(gè)體進(jìn)行選擇。

pi=q’(1-p)N(i)-1

(6)

q’=p/[1-(1-p)L]

(7)

其中：p為最佳個(gè)體的選擇概率，q為個(gè)體累計(jì)選擇概率，N(i)為個(gè)體i的適應(yīng)度值在種群中的排列序號(hào)，L為種群規(guī)模。

(2)交叉操作:由于本文采用的是實(shí)數(shù)編碼，所以采用算術(shù)交叉算子。兩個(gè)父代染色體Pi和Pj以交叉概率Pc計(jì)算交叉次數(shù)nc，然后采用式(8) 經(jīng)過nc次線性組合產(chǎn)生出兩個(gè)新的子代染色體Ci和Cj將替代父代的Pi和Pj。

(8)

其中為在(0,1)區(qū)間產(chǎn)生的隨機(jī)數(shù)。

(3)變異操作 采用非一致變異算子進(jìn)行變異操作。 設(shè)變異操作的對(duì)象為Pi，則變異量d(Pi)是Pi、取值區(qū)域左右邊界ai與bi、當(dāng)前進(jìn)化代數(shù)gc、最大進(jìn)化代數(shù)gm和形狀系數(shù)b等參量的函數(shù)。

(9)

(10)

式中,t=gc/gm，為在(0,1)區(qū)間產(chǎn)生的隨機(jī)數(shù)。

Step5:迭代停止——判斷算法是否達(dá)到最大迭代次數(shù)或期望誤差,如果不滿足收斂條件則返回到Step4繼續(xù)進(jìn)行遺傳操作，直到達(dá)到停止迭代條件。把經(jīng)過遺傳算法優(yōu)化得到的初始解進(jìn)行解碼，然后再對(duì)加載了解碼值的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、學(xué)習(xí)，形成遙感影像分類模型。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 參數(shù)設(shè)置

模型學(xué)習(xí)參數(shù)設(shè)為0.01，總訓(xùn)練次數(shù)設(shè)為1 000，訓(xùn)練目標(biāo)0.01。對(duì)于隱含層結(jié)點(diǎn)本文采用夏克文教授提出的黃金分割搜索算法，確定為11,圖4為模型基本結(jié)構(gòu)。交叉概率通常比較適當(dāng)?shù)娜≈祬^(qū)間是0.6～0.9之間。由于本文采用的是自適應(yīng)遺傳算法，所以可以使交叉概率根據(jù)適應(yīng)度自行調(diào)整，Pc1=0.9，Pc2=0.6。同樣對(duì)于變異概率適當(dāng)?shù)娜≈祬^(qū)間是0.001～0.1，因此Pm1=0.1，Pm2=0.001。最大迭代次數(shù)100代，對(duì)于群體規(guī)模本文取n=30。

圖4 遙感影像分類模型基本網(wǎng)絡(luò)結(jié)構(gòu)

3.2 結(jié)果分析

圖5給出了某代遺傳算法適應(yīng)度值的變化曲線，可以看出經(jīng)過大概30代的尋優(yōu)，就找到了最優(yōu)解。表1分別給出了基于traingd BP算法、基于trainlm BP算法的模型分類結(jié)果和基于AGA-trainlm BP算法的模型分類結(jié)果，考慮到權(quán)閾值的不確定性，每個(gè)模型均運(yùn)行10次，從表中可以看出采用經(jīng)過AGA算法優(yōu)化后，BP模型初始權(quán)閾值的隨機(jī)性變小，其運(yùn)行結(jié)果的穩(wěn)定性與精確度相比采用隨機(jī)權(quán)閾值的兩種模型都有了一定程度的提高，同時(shí)其最大誤差，最小誤差之間的差距只有0.004 4，不到1%，平均誤差與最大最小誤差之間的差距分別是0.002 5、0.001 9，誤差均不到1%。由此可見，基于AGA-trainlm BP算法的模型具有更高的分類精度與穩(wěn)定性。

圖5 AGA-BP模型適應(yīng)度變化曲線

模型maxerrorminerrormeanerrortraingd-BP模型0．10230．08530．0955trainlm-BP模型0．03420．02880．0304AGA-trainlmBP模型0．03220．02780．0297

4 結(jié)論

本文主要研究了基于AGA-BP算法的神經(jīng)網(wǎng)絡(luò)遙感影像分類模型，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(duì)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(duì)這個(gè)問題采取了兩階段優(yōu)化，第一階段采用自適應(yīng)遺傳算法優(yōu)化初始權(quán)閾值參數(shù)，第二階段將優(yōu)化后的權(quán)閾值參數(shù)作為BP模型的初始權(quán)閾值參數(shù)采用改進(jìn)BP算法進(jìn)行二次優(yōu)化，優(yōu)化后的權(quán)閾值參數(shù)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，將自適應(yīng)遺傳算法引入到基于trainlm算法的BP遙感影像分類模型后，不僅可以提高BP遙感影像分類模型分類精度，同時(shí)也為采用神經(jīng)網(wǎng)絡(luò)進(jìn)行遙感影像分類提供了一種新的研究方法，具有廣泛研究?jī)r(jià)值。

[1] 李 旭,周買春,梁智宏,等.遙感圖像分類方法[J].北京農(nóng)業(yè),2014(3):217-218.

[2] 盧柳葉,張青峰,李光錄.基于BP 神經(jīng)網(wǎng)絡(luò)的遙感影像分類研究[J].測(cè)繪科學(xué),2012,37(6):140-143.

[3] 周 義,阮仁宗.LM-BP 神經(jīng)網(wǎng)絡(luò)在遙感影像分類中的應(yīng)用研究[J].遙感信息,2010(5)：80-86.

[4] 萬 雪.基于RBF神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像分類的研究[J].測(cè)繪通報(bào),2009(2):18-21.

[5] 黎貴發(fā).基于改進(jìn)BP 神經(jīng)網(wǎng)絡(luò)的遙感影像混合像元分解[J].地理空間信息,2009,7(3):65-67.

[6] 楊國華,朱向芬,周 鑫.基于遺傳算法的風(fēng)電混合儲(chǔ)能容量?jī)?yōu)化配置[J].電氣傳動(dòng),2015,45(2):50-53.

[7] 朱朝艷,劉露旭,唐永鑫.改進(jìn)遺傳算法在框架結(jié)構(gòu)優(yōu)化設(shè)計(jì)中的應(yīng)用[J].遼寧工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,36(3):168-171.

[8] 黃蘇丹, 劉淮源, 曹廣忠,等. 基于自適應(yīng)遺傳算法的LED器件多應(yīng)力條件下壽命快速評(píng)估系統(tǒng)模型[J].中國科學(xué),2016,46(9):940-949.

Application of AGA-BP Model in Remote Sensing Image Classification

Wang Haijun

(Ordos College of Applied Technology, Ordos 017000,China)

as the key technology of remote sensing, remote sensing image classification has been a hot spot of remote sensing research. In view of the current BP neural network model for remote sensing image classification, it is sensitive to the initial weight threshold, easy to fall into local extreme value and slow convergence speed, in order to improve the classification accuracy of BP model, the adaptive genetic algorithm is introduced into the parameter selection of BP network model. Firstly, the adaptive genetic algorithm is used to optimize the parameters of BP model weight threshold, then the improved BP algorithm is used to optimize the weight threshold of the optimized network, subsequently, a classification model of BP network based on adaptive genetic algorithm is established, and it is applied to the classification of remote sensing image data. The simulation results show that the new model can effectively improve the accuracy of remote sensing image classification, and put forward a new method for the classification of remote sensing image, which has a wide range of research value.

remote sensing; image classification; BP neural network; adaptive genetic algorithm

2016-12-09；

2017-01-05。

內(nèi)蒙古自治區(qū)高等學(xué)?？茖W(xué)研究項(xiàng)目(NJZY16382)。

王海軍(1982-)，男，內(nèi)蒙古鄂爾多斯人，鄂爾多斯應(yīng)用技術(shù)學(xué)院教師，高級(jí)工程師,工學(xué)碩士，主要從事人工智能算法應(yīng)用方向的研究。

1671-4598(2017)05-0212-03DOI：10.16526/j.cnki.11-4762/tp

TP

A