基于免疫遺傳算法優化的神經網絡遙感圖像分類研究

程秋云 劉寧

摘要：分類是遙感圖像應用的一個重要方面。論文使用免疫遺傳算法，自適應確定遺傳參數，通過疫苗提取，局部最優判斷和動態接種幾個算子，優化BP神經網絡，充分利用免疫算法保持種群多樣性的特點，加快BP算法的收斂速度，避免了神經網絡訓練速度慢、陷入局部極值的情況，有效提高了遙感圖像分類精度。

關鍵詞：動態免疫；遺傳算法；BP神經網絡；遙感圖像分類

中圖分類號：TP311 文獻標識碼：A 文章編號：1007-9416（2018）08-0119-02

遙感技術在軍事偵察、環境監測、資源探測管理和自然災害預測等多個領域有著重要作用。遙感圖像分類是研究的重點和熱點。

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、自學習和非線性映射能力等特性，BP網絡得到了廣泛的使用，但神經網絡也存在一些問題：如隱含層神經元數難以確定、算法收斂速度較慢、容易陷入局部極值等。

針對此類問題，文獻[2]用提出了一個用簡單遺傳算法優化BP神經網絡的分類算法，對地物的分類精度都有很大的調高。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，個體的多樣性迅速減少，易出現未成熟收斂的情況。

本文利用生物免疫行為可以保持物種多樣性的特點，采用免疫遺傳算法，在遺傳算法中引入免疫算子，實現BP神經網絡的優化。通過提取疫苗，自適應確定遺傳算子，設定陷入局部最優條件和動態接種疫苗等方法，結合求解問題的特征和知識，來控制算法過程中出現的退化現象，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：隱含層神經元個數；輸入層與隱含層、隱含層與輸出層的連接權值，隱含層和輸出層的閾值。

2 種群初始化

由于隱含層神經元數和權值、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選取樣本。對于三層BP 網絡結構，參照Paola和Schowengert關于中間層節點設置的論述和先驗知識[3]，隱含層神經元數范圍可取[1，50]的隨機數，用6位二進制數表示。神經網絡的權值和閾值一般是取（-l，1）之間的隨機數，其精度決定二進制位數。

3 適應度函數

神經網絡訓練的輸出誤差越小，表示神經網絡越好。因此，本文設定適應度函數為：，為網絡的輸出誤差。問題轉化為求適應度值的最大值。

其中，為輸入向量的實際輸出值，為期望輸出值。

4 免疫遺傳算法優化的BP網絡過程

免疫遺傳算法優化的BP網絡過程如圖1所示。

（1）識別抗原：判斷抗原是否入侵過。在BP網絡優化問題中，抗原就是目標函數，抗體就是一個BP神經網絡。

（2）選擇操作：結合旋轉指針和標準輪盤賭的輪盤進行隨機采樣。

（3）交叉操作：隨機產生交叉位置，將選擇操作中選中的兩個個體，按概率進行線性交叉，生成兩個新的個體。

自適應交叉率為：

其中=2，…，表示第i代兩個進行交叉操作的概率，是當前種群中最大的適應度值，是群體的平均適應度值，表示進行交叉的兩個個體中較大的適應度值。

（4）變異操作：變異是增大種群多樣性的第二個因素，使用一個隨機數，將要變異的個體對應的位置狀態翻轉。

自適應變異率為：

其中，表示第i代個體的變異率，是要變異個體的適應度值。自適應選擇交叉和變異算子能夠提高解的質量。

（5）提取疫苗：選擇種群中最好的個體，即適應度最高的個體做為疫苗。

（6）局部最優判斷：每次先計算每個個體的適應度值和當前種群的平均適應度值，計算與的均值偏差度|-|，當種群中四分之三的個體滿足|-|<（為一個正數）時，即可認為算法可能陷入局部最優，此時才對當前種群中一定數量的個體進行疫苗接種[4]。

（7）疫苗接種和免疫選擇：采用動態疫苗接種方法，將疫苗接種和免疫選擇結合在一起進行[4]：逐位 用疫苗相對應的基因對抗體對應基因位進行強制改變，然后計算改變后的個體適應度值，通過與其接種前的適應度值比較，將對其適應度值改變最大而且適應度值有所提高的那一位基因用疫苗相對應的基因將其覆蓋，其他的基因位保持不變。

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

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

經過免疫遺傳算法操作后，適應度最大的個體，就是網絡尋求的最優解，將最優解的染色體編碼進行解碼，得到神經網絡權值、閾值和隱藏層神經元個數。用此神經網絡完成對遙感圖像的分類。

5 算法驗證

對兩個分類器使用同樣的訓練樣本，分類結果如圖2所示。

從圖2的結果看，IGA-BP算法的分類結果更精確。隨機抽取400個樣點來評估分類精度，對總精度，Kappa系數進行比較，如表1所示。

6 結語

本文采用自適應免疫遺傳算法對BP神經網絡進行優化，充分利用了免疫算法保持群體多樣性的優點，避免了搜索全局最優解的盲目性，解決了BP算法的過早收斂的現象，遙感圖像的分類精度得到有效提高。

參考文獻

[1]蘇娟.遙感圖像獲取與處理[M].北京：清華大學出版社，2014.

[2]陳芳杰.基于BP神經網絡遙感圖像特征分類方法的研究[D].安徽：安徽理工大學，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.關于免疫遺傳算法的研究[D].西安：西北大學，2009.