PSO—BP模型在遙感影像分類中的應用研究

摘 要：針對目前采用BP神經網絡模型進行遙感影像分類時存在的對初始權閾值敏感、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網絡模型參數(shù)選擇中。首先運用粒子群算法對BP模型權閾值參數(shù)進行初始尋優(yōu)，再用改進BP算法對優(yōu)化的網絡模型權閾值進一步精確優(yōu)化，隨后建立基于粒子群算法的BP網絡分類模型，并采用MATLAB語言實現(xiàn)了該算法，將其應用到遙感影像數(shù)據(jù)分類研究中。仿真結果表明，新模型有效提高了遙感影像分類準確性，為遙感影像分類提出了一種新的方法，具有廣泛研究價值。

關鍵詞：遙感；影像分類；BP神經網絡；粒子群算法

1 概述

自20世紀70年代以來，遙感技術伴隨著地理信息處理技術的飛速發(fā)展也得到了快速發(fā)展。遙感影像分類技術作為遙感技術中的研究重點，更加得到了相關學者的關注。近年來，人工神經網絡作為一種新型的信息處理技術，已被廣泛應用于遙感圖像分類，其中應用最多最成功的當數(shù)BP神經網絡[1-3]。但是，BP神經網絡由于其初始權閾值的不確定性，使得BP神經網絡存在著訓練速度慢，易陷入局部極小值的問題。因此，出現(xiàn)了大量對BP神經網絡的改進方法。改進方法分為兩類，第一類是對BP神經網絡算法的改進，如附加動量法、帶有動量項自適應學習率法以及Levenberg-Marquard算法等[4-6]。第二類是引入新的智能算法優(yōu)化BP神經網絡權閾值，然后結合改進BP算法改進BP神經網絡運行效果，提高BP模型運行效率[7，8]。本文主要研究基于粒子群神經網絡（PSO-BP）的遙感影像分類模型，并采用MATLAB語言實現(xiàn)了該模型，實驗結果表明，該改進模型不僅具有更好地分類穩(wěn)定性，同時也具有比BP神經網絡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是粒子群算法與BP神經網絡的有效結合，相比遺傳算法，粒子群算法保留了種群基礎上的全局搜索策略，其采用的速度——位移進化方式操作簡單，避免了復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)當前追蹤的搜索情況，動態(tài)調整搜索策略，尋找到最優(yōu)解。因此，本文在構建基于BP神經網絡的遙感影像分類模型的基礎上，將粒子群算法引入到BP神經網絡模型參數(shù)的優(yōu)化中，首先采用粒子群算法縮小BP模型權閾值的搜索范圍，然后再采用改進的BP神經網絡算法進行二次搜索，確定權閾值，得到模型最終權閾值，形成最終模型。這樣構造的模型既可以避免由于權閾值的隨機性造成的神經網絡學習的穩(wěn)定性差、可靠性低與易陷入局部極小的問題，同時又可以提高模型的分類精度。

2.2 基于MATLAB的模型實現(xiàn)步驟

Step1——基本參數(shù)設定。取粒子個數(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。本文取每個微粒的加速項權重學習因子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為最大進化代數(shù)，iter為當前進化代數(shù)。wmax=0.9為初始慣性權值，wmin=0.4為迭代至最大代數(shù)時的慣性權值。

Step2——適應度函數(shù)的編寫。PSO-BP神經網絡模型算法運行的目的是只要算法迭代停止時去噪后圖像與原始圖像的誤差最小，就說明此時的圖像去噪效果最好，此時粒子對應位置即為所求最優(yōu)值。因此本模型的適應度函數(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模型權閾值參數(shù)一般取[-1，1]之間的隨機數(shù)，因此群體中每個粒子對應的初始位置參數(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。利用適應度函數(shù)計算個體適應度值，進行局部最優(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。當算法按照預設參數(shù)結束后，將參數(shù)解碼，并賦給BP神經網絡模型。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驗

3.1 實驗數(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換為R，G，B三波段數(shù)據(jù)，再將三波段數(shù)據(jù)轉換為3行，從而形成輸入矩陣。再自行定義目標向量，并將其轉換為與輸入向量結構相同的向量，構成了神經網絡模型的訓練樣本對。本文采用LANDSAT衛(wèi)星崇明島遙感影像圖片作為實驗數(shù)據(jù)，圖1為實驗中用到的圖片，圖2為轉換后計算機中存儲的矩陣數(shù)據(jù)。

3.2 仿真實驗

表1給出了基于不同算法的分類結果對比，從表中可以看，由于對BP模型的權閾值進行了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BP模型，圖3給出了某次分類的分類結果圖，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精確的話，可以得到很高的分類精度。

4 結束語

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

參考文獻

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

[2]王睿，韋春桃，馬云棟.基于BP神經網絡的Landsat影像去云方法[J].桂林理工大學學報，2015，35（3）：535-539.

[3]麥格，童新華.基于BP神經網絡的石漠化遙感影像分類方法的探討[J].廣西師范學院學報：自然科學版，2013，30（1）：70-77.

[4]馬麗霞，逄超，陳曉輝.BP神經網絡的改進算法及在大壩變形分析與預報中的應用[J].吉林建筑大學學報，2016，33（4）.

[5]王軍.改進BP網絡在瀝青路面構造深度預測中的應用[J].廈門理工學院學報，2016，24（3）.

[6]蔚治國.基于改進BP神經網絡的樣本分類方法[J].自動化與儀器儀表，2016（6）.

[7]游丹丹，陳福集.基于改進粒子群和BP神經網絡的網絡輿情預測研究[J].情報雜志，2016，35（8）.

[8]田亞鵬，鞠斌山.基于遺傳算法改進BP神經網絡的頁巖氣產量遞減預測模型[J].中國科技論文，2016（15）.

作者簡介：王海軍（1982-），男，漢族，內蒙古鄂爾多斯市人，鄂爾多斯應用技術學院教師，高級工程師，工學碩士，研究方向：人工智能算法應用。