AGA-BP模型在遙感影像分類中的應用研究

王海軍

(鄂爾多斯應用技術學院,內蒙古 鄂爾多斯 017000)

AGA-BP模型在遙感影像分類中的應用研究

王海軍

(鄂爾多斯應用技術學院,內蒙古 鄂爾多斯 017000)

作為遙感研究的關鍵技術，遙感影像分類一直是遙感研究熱點;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，將自適應遺傳算法引入到BP網絡模型參數選擇中;首先運用自適應遺傳算法對BP模型權閾值參數進行初始尋優，再用改進BP算法對優化的網絡模型權閾值進一步精確優化，隨后建立基于自適應遺傳算法的BP網絡分類模型，并將其應用到遙感影像數據分類研究中;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。

遙感、影像分類、BP神經網絡、自適應遺傳算法

0 引言

遙感影像分類作為遙感應用中的關鍵技術，其主要任務是根據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理統計方法，如最大似然法、最小距離法和K均值算法等方法。這些統計方法相對成熟，準確性也被人們認可，但是采用以上分類方法需要一定數量的先驗條件, 耗費人力物力財力較大,并且人為因素對分類結果會產生一定影響[1]。神經網絡是一種非線性智能處理方法，對數據類型和分布沒有特殊要求，容忍度高、容錯性強，對于離散的、非正態分布的多源遙感影像數據處理是非常合適的[2]。目前采用神經網絡模型進行遙感影像分類應用最多的是BP(back propagation)神經網絡，但是BP神經網絡存在收斂速度慢、易陷入局部極小值,無法保證全局最優等問題[3-5]。

遺傳算法(genetic algorithm,GA)思想來源于生物遺傳學，借鑒生物進化規律演化而來，是一種具有高度并行、隨機搜索和自適應尋優的方法[6]。因此考慮將遺傳算法引入到BP模型優化中，構建基于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能力差、迭代過程緩慢、且易出現震蕩和早熟收斂等缺點[7]，因此在實驗中采用自適應遺傳算法(adaptive genetic algorithm，AGA)來優化神經網絡模型。實驗表明與基于BP算法及改進BP算法構建的模型相比，基于AGA-BP組合算法構建的模型在運行的穩定性及分類精度方面都要優于BP算法模型。

1 AGA-BP遙感影像分類模型構造

本遙感影像分類模型的構造包括數據前期處理，模型構造，圖像分類三大部分。其中在數據的前期處理中，需要用到高清遙感圖像采集設備，色彩比對儀等硬件。在模型構造部分主要用到高性能電腦及數據存儲設備，最后通過輸出設備將分類結果輸出。由于實際條件限制，本文主要是對分類模型構造算法進行研究，并采用Matlab語言進行編程測試。

1.1 分類模型運行流程

AGA-BP遙感影像分類模型運行流程包括:遙感數據采集、遙感數據處理、模型優化、模型確定和分類結果輸出幾個步驟，具體運行流程如圖1所示。由圖1可以看出實際上該分類模型的主要關注點是AGA算法對BP模型參數的優化，通過AGA算法強大的全局運算能力，最終得到一個較好的BP模型初始參數，使BP模型可以快速的找到符合條件的最優解，從而得到好的分類模型。

圖1 AGA-BP遙感影像分類模型運行流程圖

1.2 AGA-BP算法核心思想

BP網絡是一種采用反向傳播算法的神經網絡，其通常由三層網絡結構(輸入層、隱含層和輸出層)構成，對于隱含層根據需要可以選取一個或多，對于大多數問題，選擇單隱含層足以解決問題，所以本文BP網絡選擇單隱含層，本文BP模型算法的基本結構如式(1)所示。

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

(1)

從BP模型算法的基本機構可以看出，其在算法運行過程中沒有引入任何額外參數，其學習過程完全是根據訓練樣本對初始權閾值參數W1、W2、B1和B2進行調整，因此初始初始權閾值參數選取的好壞將直接影響到最終模型的性能。本文對初始權閾值的確定首先采用自適應遺傳算法優化確定BP神經網絡的初始權閾值，確定一個較好的搜索空間，代替一般初始權閾值的隨機選取，然后在這個解空間里對網絡參數采用改進的BP算法進行訓練、學習至收斂，搜索出最優解或者近似最優解。這樣既實現了兩者的優勢互補，發揮了神經網絡的廣泛映射能力和遺傳算法的全局搜索能力，也加快了網絡的學習速度，綜合提高了整個學習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計

2.1 影像數據預處理

由于采集到的遙感影像數據不是模型可以直接利用的數據類型，所以在將遙感影像數據輸入模型之前先將其轉換為R,G,B三波段數據，再將三波段數據轉換為3行。這樣就構成了輸入矩陣。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，這樣圖片數據就轉換為矩陣數據，就構成了神經網絡模型的訓練樣本對。本文采用崇明島遙感影像圖片作為實驗數據，如圖1為實驗中用到的圖片，圖2為經過轉換后的數據在Matlab中的存儲結果，從圖2中可以看出原來分辨率1 090×780的圖片數據讀入計算機變為3×850200大小的矩陣數據。

圖2 實驗中用到的遙感圖片

圖3 讀入計算機后的圖片數據信息

2.2 AGA算法基本原理

遺傳算法即GA算法是通過對自然界生物體遺傳、變異來適應外界環境，一代又一代地優勝劣汰，發展進化現象的模擬而產生的。它把所求問題解空間映射為遺傳搜索空間，將解對應的所有染色體組成染色群體，并按設定好的函數對染色群體中的每個個體進行評價，進行選擇、交叉和變異等遺傳操作。經過多代的運算后得到適應度值最好的個體就是所求問題的解。在整個算法運行的過程中，除初始解空間外，涉及的兩個主要參數是交叉概率Pc和變異概率Pm，而這兩個參數將直接影響算法運行速度和解得收斂性，為了減小Pc、Pm設定不當對運行結果的影響，從而產生了自適應遺傳算法即AGA算法，給定Pc、Pm的初始范圍，讓其在運行過程中根據適應度自行調整，減小對算法運行結果的影響。

2.3 AGA-BP模型算法步驟設計

Step1:參數編碼——由于BP模型初始權閾值參數一般取[-1,1]之間的隨機數，因此在進行參數編碼時,如果采用二進制編碼，則每個個體碼串會很長，直接影響算法運行時間和精度，因此本文采用實數編碼。假設BP模型輸入層結點數為m，隱含層結點數為n，輸出層結點數r，則遺傳算法中每個編碼個體X與W1、W2、B1和B2的對應關系如式(2)所示。

X={w111,w112,···,w1mn,w211,w212,···,

w2nr,b11,b12,···,b1n,b21,b22···,b2r}

(2)

Step2:適應度函數確定——遺傳算法在進行計算過程中不與外部通信，僅以適應度函數為依據。本文采用BP模型實際輸出值與期望輸出值之間的誤差平方和SE的倒數作為適應度函數，這樣可以有效的把BP神經網絡算法與遺傳算法的評估標準融為一體，提高了BP網絡的性能，適應度值F函數計算如式(3)所示。

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

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

(3)

Step3:自適應參數設計——在參數優化過程中交叉概率Pc和變異概率Pm的選取至關重要，為了提高參數的可用性。本文采用自適應遺傳算法，使Pc和Pm能夠隨適應度變化自動改變。Pc和Pm的計算表達式如下[8]：

(4)

(5)

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

Step4:遺傳操作——根據已設參數，順序利用以下選擇、交叉與變異操作產生新種群，直到算法結束為止。

(1)選擇操作 采用標準幾何排序選擇算法，對種群中個體按照適應度值進行升序排序，按照式(6)和式(7)分別計算最佳個體選擇概率和個體累計選擇概率，接下來運用輪盤賭選擇法對種群中的個體進行選擇。

pi=q’(1-p)N(i)-1

(6)

q’=p/[1-(1-p)L]

(7)

其中：p為最佳個體的選擇概率，q為個體累計選擇概率，N(i)為個體i的適應度值在種群中的排列序號，L為種群規模。

(2)交叉操作:由于本文采用的是實數編碼，所以采用算術交叉算子。兩個父代染色體Pi和Pj以交叉概率Pc計算交叉次數nc，然后采用式(8) 經過nc次線性組合產生出兩個新的子代染色體Ci和Cj將替代父代的Pi和Pj。

(8)

其中為在(0,1)區間產生的隨機數。

(3)變異操作 采用非一致變異算子進行變異操作。 設變異操作的對象為Pi，則變異量d(Pi)是Pi、取值區域左右邊界ai與bi、當前進化代數gc、最大進化代數gm和形狀系數b等參量的函數。

(9)

(10)

式中,t=gc/gm，為在(0,1)區間產生的隨機數。

Step5:迭代停止——判斷算法是否達到最大迭代次數或期望誤差,如果不滿足收斂條件則返回到Step4繼續進行遺傳操作，直到達到停止迭代條件。把經過遺傳算法優化得到的初始解進行解碼，然后再對加載了解碼值的BP神經網絡進行訓練、學習，形成遙感影像分類模型。

3 實驗及結果分析

3.1 參數設置

模型學習參數設為0.01，總訓練次數設為1 000，訓練目標0.01。對于隱含層結點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為模型基本結構。交叉概率通常比較適當的取值區間是0.6～0.9之間。由于本文采用的是自適應遺傳算法，所以可以使交叉概率根據適應度自行調整，Pc1=0.9，Pc2=0.6。同樣對于變異概率適當的取值區間是0.001～0.1，因此Pm1=0.1，Pm2=0.001。最大迭代次數100代，對于群體規模本文取n=30。

圖4 遙感影像分類模型基本網絡結構

3.2 結果分析

圖5給出了某代遺傳算法適應度值的變化曲線，可以看出經過大概30代的尋優，就找到了最優解。表1分別給出了基于traingd BP算法、基于trainlm BP算法的模型分類結果和基于AGA-trainlm BP算法的模型分類結果，考慮到權閾值的不確定性，每個模型均運行10次，從表中可以看出采用經過AGA算法優化后，BP模型初始權閾值的隨機性變小，其運行結果的穩定性與精確度相比采用隨機權閾值的兩種模型都有了一定程度的提高，同時其最大誤差，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定性。

圖5 AGA-BP模型適應度變化曲線

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 結論

本文主要研究了基于AGA-BP算法的神經網絡遙感影像分類模型，在研究中發現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，對初始權閾值參數敏感且易陷入局部極小值的問題。針對這個問題采取了兩階段優化，第一階段采用自適應遺傳算法優化初始權閾值參數，第二階段將優化后的權閾值參數作為BP模型的初始權閾值參數采用改進BP算法進行二次優化，優化后的權閾值參數作為分類模型的最終參數。實驗結果表明這種設想是成功的，將自適應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，同時也為采用神經網絡進行遙感影像分類提供了一種新的研究方法，具有廣泛研究價值。

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

[2] 盧柳葉,張青峰,李光錄.基于BP 神經網絡的遙感影像分類研究[J].測繪科學,2012,37(6):140-143.

[3] 周 義,阮仁宗.LM-BP 神經網絡在遙感影像分類中的應用研究[J].遙感信息,2010(5)：80-86.

[4] 萬 雪.基于RBF神經網絡的高分辨率遙感影像分類的研究[J].測繪通報,2009(2):18-21.

[5] 黎貴發.基于改進BP 神經網絡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.基于遺傳算法的風電混合儲能容量優化配置[J].電氣傳動,2015,45(2):50-53.

[7] 朱朝艷,劉露旭,唐永鑫.改進遺傳算法在框架結構優化設計中的應用[J].遼寧工業大學學報(自然科學版),2016,36(3):168-171.

[8] 黃蘇丹, 劉淮源, 曹廣忠,等. 基于自適應遺傳算法的LED器件多應力條件下壽命快速評估系統模型[J].中國科學,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。

內蒙古自治區高等學校科學研究項目(NJZY16382)。

王海軍(1982-)，男，內蒙古鄂爾多斯人，鄂爾多斯應用技術學院教師，高級工程師,工學碩士，主要從事人工智能算法應用方向的研究。

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

TP

A