基于粒子群训练的人工神经网络应用于多光谱遥感影像分类研究.pdfVIP

理论砸究 遥感信息 基于粒子群训练的人工神经网络 应用于多光谱遥感影像分类研究 张中山①，燕琴②，余洁①，闰培洁①，白俊武① (①武汉大学遥感信息工程学院，武汉 430079；② 中国测绘科学研究院，北京 100039) 摘要：为了提高多光谱遥感影像的分类精度，提出一种基于粒子群训练的人工神经网络的多光谱遥感影像的 分类方法。该方法先建立一个针对多光谱遥感影像的神经网络分类模型，然后引入粒子群算法对神经 网络进行 网络权值与阈值的优化，再利用训练好的神经网络对多光谱遥感影像进行分类 。该方法不仅利用了人工神经 网 络在解决多光谱遥感影像混合光谱的优势，而且克服 了BP神经网络在训练时候收敛速度过慢、振荡的缺点。实 验结果证明：基于粒子群训练的人工神经网络方法能够 比较好地提高多光谱遥感影像的分类精度 。 关键词 ：神经 网络 ；多光谱遥感影像 ；分类；粒子群 中图分类号 ：TP79 文献标识码 ：A 文章编号 ：1000—3177(2OO8)99—0003—05 研究_1n]。粒子群算法可用于优化大量非线性、不 1 引 言 可微和多峰值 的复杂 问题 ，粒子群优化算法的收敛 由于遥感影像具有多源性、空间宏观性 、时间周 速度快 ，运算简单 ，易于实现 ，因此被广泛应用于如 期性、多光谱特性、多空问分辨率特性、海量数据等 函数优化 、神经网络 、模式分类和模糊系统控制等科 特征 ，使得遥感数据在分析处理过程 中造成很大 的 学和工程领域 ，已成为 国际演化计算界研究 的热 困难_1卅]。传统基于统计的分类方法 已经不能满足 点[1。叫引。然而在遥感影像分类中，基于粒子群训练 分类 的要求 ，人工神 经 网络分类 方法便应运而 的BP神经 网络还没有得到很好 的研究和应用 ，本 生 [3]。人工神经网络 (ArtificialNeuralNetwork， 文探讨 了基于粒子群优化 的BP神经网络 (PSO— ANN)是一门新兴 的边缘交叉学科 ，它是对人脑或 BP)在遥感多光谱影像分类 中的应用 ，实验结果证 自然神经 网络 (NaturalNeuralNetwork)若干基本 明，这种方法能切实有效地提高遥感多光谱影像的 特性 的抽象和模拟 ¨5]。由于其具有大规模并行 、 分类精度 。 分布式存储和处理、自组织和 自学习性能力 以及在 2 基于PSO训练 的BP神经网络 处理非线性信息上的优势，在模式识别、信号处理、 知识工程 、专家系统、优化组合 、机器人控制等方面 2．1 BP神经网络的原理 都有应用 ，也 日益成为进行遥感影像分类 的有效手 BP神经 网络 (BackPropagationNeuralNet- 段。虽然与传统的分类方法相 比具有很多优势 ，然 work，BPNN)是一种多层前馈型神经 网络 ，其隐层 而人工神经网络在训练过程 中存在收敛速度过慢 、 神经元的传递函数是 Sigmoid型函数 ，其表达式为 ： 振荡的缺点[5卅]，而粒子群优化算法能够较好地弥 1 厂(z)一 ，输出量为 0到 1的连续量 ，它可以实 补这一缺陷。粒子群优化算法 (ParticleSwarm Op— l十 e timization，PSO)是 由Eberhart博士和 Kennedy博 现从输入到输 出的任意非线性映射。由于权值的调 士于 1995年发明的一种基于群智能方法的演化计 整采用误差的反 向传播