程秋云 劉寧

摘要：分類是遙感圖像應(yīng)用的一個(gè)重要方面。論文使用免疫遺傳算法，自適應(yīng)確定遺傳參數(shù)，通過疫苗提取，局部最優(yōu)判斷和動(dòng)態(tài)接種幾個(gè)算子，優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，充分利用免疫算法保持種群多樣性的特點(diǎn)，加快BP算法的收斂速度，避免了神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度慢、陷入局部極值的情況，有效提高了遙感圖像分類精度。

關(guān)鍵詞：動(dòng)態(tài)免疫；遺傳算法；BP神經(jīng)網(wǎng)絡(luò)；遙感圖像分類

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2018）08-0119-02

遙感技術(shù)在軍事偵察、環(huán)境監(jiān)測(cè)、資源探測(cè)管理和自然災(zāi)害預(yù)測(cè)等多個(gè)領(lǐng)域有著重要作用。遙感圖像分類是研究的重點(diǎn)和熱點(diǎn)。

遙感影像分類方法多種多樣，如K均值算法、最大似然法、決策樹分類法[1]。其中，由于自組織、自學(xué)習(xí)和非線性映射能力等特性，BP網(wǎng)絡(luò)得到了廣泛的使用，但神經(jīng)網(wǎng)絡(luò)也存在一些問題：如隱含層神經(jīng)元數(shù)難以確定、算法收斂速度較慢、容易陷入局部極值等。

針對(duì)此類問題，文獻(xiàn)[2]用提出了一個(gè)用簡(jiǎn)單遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的分類算法，對(duì)地物的分類精度都有很大的調(diào)高。遺傳算法雖然具有良好的全局搜索能力，但在局部空間搜索能力較低，個(gè)體的多樣性迅速減少，易出現(xiàn)未成熟收斂的情況。

本文利用生物免疫行為可以保持物種多樣性的特點(diǎn)，采用免疫遺傳算法，在遺傳算法中引入免疫算子，實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化。通過提取疫苗，自適應(yīng)確定遺傳算子，設(shè)定陷入局部最優(yōu)條件和動(dòng)態(tài)接種疫苗等方法，結(jié)合求解問題的特征和知識(shí)，來(lái)控制算法過程中出現(xiàn)的退化現(xiàn)象，保持了種群的多樣性，避免了算法未成熟收斂、陷入局部極值的情況，進(jìn)而提高算法整體的分類精度。

1 編碼

本文以單層隱含層為例，編碼包含：隱含層神經(jīng)元個(gè)數(shù)；輸入層與隱含層、隱含層與輸出層的連接權(quán)值，隱含層和輸出層的閾值。

2 種群初始化

由于隱含層神經(jīng)元數(shù)和權(quán)值、閾值的取值范圍不同，初始種群必須先滿足這些要求，然后在這些解中隨機(jī)選取樣本。對(duì)于三層BP 網(wǎng)絡(luò)結(jié)構(gòu)，參照Paola和Schowengert關(guān)于中間層節(jié)點(diǎn)設(shè)置的論述和先驗(yàn)知識(shí)[3]，隱含層神經(jīng)元數(shù)范圍可取[1，50]的隨機(jī)數(shù)，用6位二進(jìn)制數(shù)表示。神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值一般是?。?l，1）之間的隨機(jī)數(shù)，其精度決定二進(jìn)制位數(shù)。

3 適應(yīng)度函數(shù)

神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸出誤差越小，表示神經(jīng)網(wǎng)絡(luò)越好。因此，本文設(shè)定適應(yīng)度函數(shù)為：，為網(wǎng)絡(luò)的輸出誤差。問題轉(zhuǎn)化為求適應(yīng)度值的最大值。

其中，為輸入向量的實(shí)際輸出值，為期望輸出值。

4 免疫遺傳算法優(yōu)化的BP網(wǎng)絡(luò)過程

免疫遺傳算法優(yōu)化的BP網(wǎng)絡(luò)過程如圖1所示。

（1）識(shí)別抗原：判斷抗原是否入侵過。在BP網(wǎng)絡(luò)優(yōu)化問題中，抗原就是目標(biāo)函數(shù)，抗體就是一個(gè)BP神經(jīng)網(wǎng)絡(luò)。

（2）選擇操作：結(jié)合旋轉(zhuǎn)指針和標(biāo)準(zhǔn)輪盤賭的輪盤進(jìn)行隨機(jī)采樣。

（3）交叉操作：隨機(jī)產(chǎn)生交叉位置，將選擇操作中選中的兩個(gè)個(gè)體，按概率進(jìn)行線性交叉，生成兩個(gè)新的個(gè)體。

自適應(yīng)交叉率為：

其中=2，…，表示第i代兩個(gè)進(jìn)行交叉操作的概率，是當(dāng)前種群中最大的適應(yīng)度值，是群體的平均適應(yīng)度值，表示進(jìn)行交叉的兩個(gè)個(gè)體中較大的適應(yīng)度值。

（4）變異操作：變異是增大種群多樣性的第二個(gè)因素，使用一個(gè)隨機(jī)數(shù)，將要變異的個(gè)體對(duì)應(yīng)的位置狀態(tài)翻轉(zhuǎn)。

自適應(yīng)變異率為：

其中，表示第i代個(gè)體的變異率，是要變異個(gè)體的適應(yīng)度值。自適應(yīng)選擇交叉和變異算子能夠提高解的質(zhì)量。

（5）提取疫苗：選擇種群中最好的個(gè)體，即適應(yīng)度最高的個(gè)體做為疫苗。

（6）局部最優(yōu)判斷：每次先計(jì)算每個(gè)個(gè)體的適應(yīng)度值和當(dāng)前種群的平均適應(yīng)度值，計(jì)算與的均值偏差度|-|，當(dāng)種群中四分之三的個(gè)體滿足|-|<（為一個(gè)正數(shù)）時(shí)，即可認(rèn)為算法可能陷入局部最優(yōu)，此時(shí)才對(duì)當(dāng)前種群中一定數(shù)量的個(gè)體進(jìn)行疫苗接種[4]。

（7）疫苗接種和免疫選擇：采用動(dòng)態(tài)疫苗接種方法，將疫苗接種和免疫選擇結(jié)合在一起進(jìn)行[4]：逐位 用疫苗相對(duì)應(yīng)的基因?qū)贵w對(duì)應(yīng)基因位進(jìn)行強(qiáng)制改變，然后計(jì)算改變后的個(gè)體適應(yīng)度值，通過與其接種前的適應(yīng)度值比較，將對(duì)其適應(yīng)度值改變最大而且適應(yīng)度值有所提高的那一位基因用疫苗相對(duì)應(yīng)的基因?qū)⑵涓采w，其他的基因位保持不變。

動(dòng)態(tài)疫苗接種伴隨了免疫選擇的過程，所以不僅可以提高個(gè)體的適應(yīng)度值，提高種群的多樣性，而且可以防止陷入局部最優(yōu)，加快算法整體的收斂速度。

（8）保留精英：交叉操作中，未避免最優(yōu)解在進(jìn)化過程中消失，每次操作后如果子代的適應(yīng)度小于父代，直接將父代復(fù)制到下一代進(jìn)行重新選擇。保證每代產(chǎn)生的非劣解能夠進(jìn)入下一代，避免了早熟現(xiàn)象。

經(jīng)過免疫遺傳算法操作后，適應(yīng)度最大的個(gè)體，就是網(wǎng)絡(luò)尋求的最優(yōu)解，將最優(yōu)解的染色體編碼進(jìn)行解碼，得到神經(jīng)網(wǎng)絡(luò)權(quán)值、閾值和隱藏層神經(jīng)元個(gè)數(shù)。用此神經(jīng)網(wǎng)絡(luò)完成對(duì)遙感圖像的分類。

5 算法驗(yàn)證

對(duì)兩個(gè)分類器使用同樣的訓(xùn)練樣本，分類結(jié)果如圖2所示。

從圖2的結(jié)果看，IGA-BP算法的分類結(jié)果更精確。隨機(jī)抽取400個(gè)樣點(diǎn)來(lái)評(píng)估分類精度，對(duì)總精度，Kappa系數(shù)進(jìn)行比較，如表1所示。

6 結(jié)語(yǔ)

本文采用自適應(yīng)免疫遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，充分利用了免疫算法保持群體多樣性的優(yōu)點(diǎn)，避免了搜索全局最優(yōu)解的盲目性，解決了BP算法的過早收斂的現(xiàn)象，遙感圖像的分類精度得到有效提高。

參考文獻(xiàn)

[1]蘇娟.遙感圖像獲取與處理[M].北京：清華大學(xué)出版社，2014.

[2]陳芳杰.基于BP神經(jīng)網(wǎng)絡(luò)遙感圖像特征分類方法的研究[D].安徽：安徽理工大學(xué)，2012.

[3]Paola J D，Schowengerdt R A.A review and analysis of backpropagation neural networks for classification of remote-sensed multi-spectral imagery[J].International Journal of Remote Sensing，1995，16（16）：3033-3058.

[4]米煥霞.關(guān)于免疫遺傳算法的研究[D].西安：西北大學(xué)，2009.