PSO-BP模型在遥感影像分类中的应用研究.pdf

科 技 创 新 2017年第1期 l科技创新与应用 PSO—BP模型在遥感影像分类中的应用研究 王海军 (鄂尔多斯应用技术学院，内蒙古 鄂尔多斯 叭7000) 摘 要：针对 目前采用BP神经网络模型进行遥感影像分类时存在的对初始权阈值敏感、易陷入局部极值和收敛速度慢的问题， 为了提高B 模型遥感影像分类精度，将粒子群算法引入到BP网络模型参数选择中。首先运用粒子群算法对BP模型权阈值参 数进行初始寻优，再用改进BP算法对优化的网络模型权阈值进一步精确优化，随后建立基于粒子群算法的BP网络分类模型， 并采用MATLAB语言实现了该算法，将其应用到遥感影像数据分类研究中。仿真结果表明，新模型有效提高了遥感影像分类准 确性．为遥感影像分类提出了一种新的方法，具有广泛研究价值。 关键词：遥感；影像分类；BP神经网络；粒子群算法 1概述 end 自20世纪70年代 以来，遥感技术伴随着地理信息处理技术的 式中，itmax=100为最大进化代数，iter为当前进化代数。wmax= 飞速发展也得到了快速发展。遥感影像分类技术作为遥感技术中的 0．9为初始惯性权值，wmin=0．4为迭代至最大代数时的惯性权值。 研究重点，更加得到了相关学者的关注。近年来，人工神经网络作为 Step2——适应度函数的编写。PSO—BP神经网络模型算法运行 一 种新型的信息处理技术，已被广泛应用于遥感图像分类，其中应用 的目的是只要算法迭代停止时去噪后图像与原始图像的误差最小， 最多最成功的当数BP神经网络 。但是，BP神经网络由于其初始 就说明此时的图像去噪效果最好，此时粒子对应位置即为所求最优 权阈值的不确定性，使得BP神经网络存在着训练速度慢，易陷入局 值。因此本模型的适应度函数代码如下： 部极小值的问题。因此，出现了大量对BP神经网络的改进方法。改 function fitness=fitcalvm，net，indim，hiddennum，outdim，D，Ptrain， 进方法分为两类，第一类是对BP神经网络算法的改进，如附加动量 Ttrain) 法、带有动量项 自适应学习率法以及 Levenberg—Marquard算法等 。 (x，y，z]=size(pm)； 第二类是引入新的智能算法优化BP神经网络权阈值，然后结合改 fori=l：x 进BP算法改进BP神经网络运行效果，提高BP模型运行效率 。本 ofrj=1：hiddennum 文主要研究基于粒子群神经网络(Pso—BP)的遥感影像分类模型，并 x2iw(j，：)=pm(i，((j—1)indim+1)：jindim，z)； 采用MATLAB语言实现了该模型，实验结果表明，该改进模型不仅 end 具有更好地分类稳定性，同时也具有比BP神经网络模型更高的分 fnrk：1：outdim 类精度。 x21w(k，：)=pm(i，(indimhiddennum+1)：(indimhiddennum+hidden- 2遥感影像分类模型的搭建 num)，z)； 2．1核心思想 end 遥感影像分类模型搭建的理论基础是粒子群算法与BP神经网 x2b=pm(i，((indim+1)hiddennum+1)：D，z)；x2b1=x2b(1：hiddennum)； 络的有效结合 ，相比遗传算法，粒子群算法保留了种群基础上的全 x2b2=x2b(hiddennum+1：hiddennum+outdim)； 局搜索策略，其采用的速度——位移进化方式操作简单，避免了复 ，