基于独立分量分析的神经网络在多光谱遥感影像分类中应用.pdfVIP

基于独立分量分析的神经网络在多光谱遥感影像分类中的应用 The Application of Neural Network Based on Independent Component Analysis to Multi-spectrum Remote-sensing Images Classification 周峰， 杜志顺， 吴国平 Zhou Feng, Du Zhi-shun, Wu Guo-ping 中国地质大学机械与电子信息学院、博士 e-mail:zhoufeng617@126.com 绪言 盲源分离是指在源信号、传输通道的参数未知的情况下，根据输入源信号的统计特性，仅由观测 信号恢复出源信号各个分量的过程。独立分量分析（ICA ）是针对独立源信号的各分量分离问题提出 的，是盲源分离的特例。独立分量分析算法在遥感图像分类方面的应用不多，从遥感图像的成像机理 理解独立分量分析在遥感中的应用也没有。目前，在遥感图像分类方面，李祚泳采用神经网络对多波 段遥感图像进行监督分类，分类精度优于传统方法，但是存在着学习速度慢，容易陷入局部极小、网 络难以收敛等缺点。吴芳等人对TM 数据先进行了主成分分析降维，再采用神经进行监督分类，提高 分类的精度和速度。受此启发，本文用独立分量分析取代传统的主成分分析，然后用径向基神经网络 作为其分类器，对分类过程及结果进行分析，并与传统分类方法进行比较。 研究方法 为了减少算法需要的估计参数，简化算法的计算，在运行FastICA 算法之前，需要对数据进行预 处理过程，即中心化和球化处理：中心化使信号成为零均值变量；球化处理后分量满足式： % E {xx } I （1） FastICA 算法进行预处理后收敛更快，能获得更好的稳定性。但是当混合矩阵为病态矩阵或者某 些源信号较其他源信号的强度弱得多时，预处理可能使FastICA 很难实现，甚至不可能实现分离。 快速独立分量分析（FastICA ）算法是基于非高斯性最大化原理，使用固定点（Fixed-point ）迭代 理论寻找WTx 的非高斯性最大值，该算法采用牛顿迭代算法对观测变量x 的大量采样点进行批处理， 每次从观测信号中分离出一个独立分量，是独立分量分析的一种快速算法。 基于非高斯性最大化的独立分量分析算法判断分量之间是否独立等价于求取各分量之间的非高 斯性的最大值，即求下式的最大值： E {G (W T x )} （2 ） 对于非高斯性最大化方法中，FastICA 算法利用基于式 J (y ) ∝[E{G (y )} −E{G (v )}]2 （3 ） 的负熵表达式来估计ICA 。首先为了找出第i 个独立分量，或求出y T i=W x 的投影方向，使（3 ）式最 大化。式中w 是m 维变量，由于v 是与y 具有相同均值和协方差矩阵的高斯变量，在预处理后，该 最大化问题转化为（2 ）式的优化问题。按照Kuhn-Tucker 条件，（2 ）式的优化在约束条件 T 2 2 E {G (W x ) } ||w || 1 （4 ） 下可以通过式 E {xg (W T x )}−βw 0 （5 ） 式中β是常量，很容易通过 T T