改进的BP神经网络法及在多源遥感信息融合目标识别中的应用.pdfVIP

改进的BP神经网络法及其在多源 遥感信息融合目标识别中的应用牛 贾永红王爱平 (武汉测绘科技大学信息工程学院430070) 推理法。Bayes推理法依赖于先验概率的选取，而且不能处理不确定信息；D棚pster__shafer 推理法虽然不需要任何先验信息且具备很强的不确定信息处理能力，但这是咀较大的计算量 为代价的。本文存研究人工神经网络理论的基础上，提出采用动量法和学习率自适应调整的 策略，改进BP神经网络融合法的主要缺点。用于对同一地区的LandsatTM3、4、5影像和航 空sAR影像进行土地利用分类的结果表明：同标准的BP网络、传统的Bayes融合分类法相比， 改进的BP网络融合法不仅获得了较标准BP网络高的分类精度，可同Bayes融合媲美，而且提 高了学习率，增强了算法的可靠性，因而提高了影像分类速度，更适用于遥感影象分类。 [关键词]神经网络，融台，分类。 随着遥感技术的发展．由各种不同遥感器获取的同一地区的多光谱、多分解力、多时相 的影象数据越来越多．为自然资源调查、环境监测等提供了丰富而又宝贵的资料。但各种单 一的遥感手段获取的影象数据在几何、光谱和空问分辨率等方面存在着明显的局限性和差异 性，导致其应用是有限的。显然，把他们各自的优势和互补性结合起来加以利用是非常重要 的。信息融合技术是多源信息综合处理的一项新技术，它能将多源信息加以合成，产生比单 源信息更精确、更完全的估计和判决。按融合层次可分为：数据层、特征层和决策层融合。 目前，融合系统趋向于采用特征层和决策层融合法，且主要采用Bav§和nS融合法。Bay∞ 法在推理过程中依赖于先验概率的选取，而且不能处理不确定信息：nS法虽然不需要先验 信息几具备很强的处理不确定性信息的能力，但这是以较大的计算量为代价换来的。为克服 上述缺陷，寻求一种普适的、符合人脑思维形式的融台法是非常必要的。神经网络具有信息 的分布式存储、并行处理、自学习和自组织等功能．并将多源信息特征构成的高维特征空间 进行“整合”处理，有效地融合多维信息用于目标识别与分类。因此，本文在研究神经网络 的基础上，提出采用动量法和学习率自适应调整的策略，改进BP神经网络融合法的主要缺点。 并用门一地区的Landsat TM3、4、5三波段影像和航空sAR影像进行土地利用分类试验． 一、BP神经网络的基本原理及其改进算法 rp算法就是Back—Propa髓tion(反向传播)算法的简称。BP神经网络通常有一个或多个 隐含层，含有一个隐含层的BP神经网络结构如图l所示Ⅲ。 +校科技发展基金和国家测绘局测绘科技发展基金资助项目。 r’ R 输入 隐含 输出 图1．具有一个隐含层的即神经网络结构 剿一 分别为隐含层、输出层神经元的权矩阵、闽值向量、输出向量、神经元数及加权和向量。隐 含层神经元的变换函数采用lo『si四ojd型函数．输出层神经元的变换函数采用线性函数。 应用BP神经网络分类的关键问题涉及网络结构设计、网络学习等。2】。在BP神经网络结 构确定后，就可利用输入输出样本集对网络进行训练。即对网络的权值和闽值进行学习和调 整，使网络实现给定的输入输出映射关系。其学习过程包括正向传播和反向传播两十过程。 在正向传播过程中．输入信息从输入层经隐含层逐层处理，并传向输出层。每一层神经元的 状态只影响下一层神经元的状态。如果输出层不能得到期望的输出。则转入反向传播，将误 差信?沿原来的路径返回。通过修改各层神经元的权值，使误差最小。 但BP算法具有收敛速度慢、局部极值、难确定隐含层数和隐节点数等主要问题，在实际 应用中很难胜任。对BP算法已有许多改进算法。本文提出采用动量法和学习率自适应调整的 策略，以提高学习率并增强算法的可靠性。具体算法如下： 1)初始化权值w和阈值b。即把所有权值和阈值都设置成较小的随机数。 ：1)提供训练样本对。包括输入向量和要求的预期输出。 ?)计算隐舍层和输出层的输出。对于图L来说， (1) 隐含层输出a1=logSig(wl却1+b1)109sig()是st舯oid型函数的对数式。 输出层输出a2Ⅷ