加权变异粒子群BP神经网络在遥感影像分类中的应用.pdf

2016 年 12 月 地理空间信息 Dec.,2016 第 14 卷第 12 期 GEOSPATIAL INFORMATION Vol.14,No.12 doi:10.3969/j.issn.1672-4623.2016.12.013 加权变异粒子群 BP 神经网络在遥感影像分类中的应用 1,2,3 2 1 2 1,3 胡永森 ，王  力 ，吴良才 ，黄  妮 ，付建东 （1. 东华理工大学 测绘工程学院，江西 南昌 330013 ；2. 中国科学院遥感与数字地球研究所 遥感科学国家重 点实验室，北京 100101 ；3. 流域生态与地理环境监测国家测绘地理信息局重点实验室，江西 南昌 330013） 摘  要：在经典的 BP 神经网络框架支撑下，利用加权变异粒子群算法使神经网络的训练更加科学，同时也更好地发挥了粒子群 算法的优点，使其分类效果更加精准。实验后的分类结果表明，与改进之前的 BP 神经网络相比，总体精度和 Kappa 系数分别提 高了 0.108 3 和 0.138 3 ；与支持向量机、最大似然及最小距离等分类方法进行了对比，分类效果均优于以上方法。加权变异粒子 群 BP 神经网络不仅可以实现遥感影像的高精度分类，对解决“同谱异物”和“异物同谱”现象也具有一定的作用。 关键词：粒子群算法 ；混合神经网络 ；加权 ；变异 ；分类 中图分类号：P237 文献标志码：B 文章编号：1672-4623（2016）12-0037-04 遥感图像分类是遥感图像信息处理研究中最基本 算法的改进过程为 ：假设搜 索空间是 X 维的，整 也是最重要的问题之一，遥感图像分类方法精度的提 个群 体 中有 m 个粒子 ，这 些粒子都 有 自己的位置和 高直接影响着遥感技术的应用和发展 [1-2] 。遥感影像 速 度 ，例 如 第 k 个 粒 子 的 位 置 向 量 为 lk = （lk 1 ，lk2 ， 的分类技术主要是根据地物反射的电磁波辐射信息 lk3 ，…，lkx ），k =1,2,3,…,m ；速度 向量为 vk = （vk 1 ，vk2 ， [3] 在影像上的特征来识别地物的类属及其分布情况 ， vk3 ，…，vkx ），k =1,2,3,…,m 。假 设 第 k 个粒 子 迭 代 次 而能否快速精确地实现计算机自动分类依靠的是分 数 到第 t 次为止，搜 索到的最优位置 为p k = （p k 1 ，p k2 ， 类算法 [4] 。在遥感影像分类的算法中，人工神经网络 p k3 ，…，p kx ），k =1,2,3,…,m 。整个群体在第 t 次搜 索到 （artificial neural network. ANN）便是其中一种。作为新 的最优位置 为p g = （p g 1 ，p g2 ，p g3 ，…，p gx ）。在 第 t 次 兴的边缘交叉学科，由于其在处理非线性信息上的优 计算后粒子根据公式更新 自己的速度 ，从 而来完成位 势，以及大规模并行和分布式存储、处理，自组织和 置的更新。则第 (t+1) 次速度更新公式为 ： [5-12] 。在 自学习的能力而受到越来越多研究人员的青睐 v v p −x p −x