基于核函数改进的LMBP算法-中国图象图形学报.DOC

中图法分类号：TP751 文献标识码：A 文章编号：1006-8961(2010) - 文章索引信息： 遥感图像分类的LMBP核函数改进算法 徐倩，何建农( （福州大学数学与计算机科学学院,福建福州 350002） 摘 要：在核函数的基础上采用向量扩展的方法改进了传统的LMBP算法，将输入向量由低维转换到高维，充分利用了误差函数的一二阶导数信息，同时结合传统LMBP算法的优点提高网络训练的收敛速度。仿真实验结果表明，改进方法网络训练的迭代次数更少，分类精度更高，对遥感图像分类更有效。 关键词：核函数; LMBP算法; 遥感图像分类 LMBP algorithm of remote sensing image classification improved by kernel functions XU Qian, HE Jian-nong (Dept. of Mathematics, Mathematics and Computer Science Institute, Fuzhou University, Fuzhou Fujian, 350002) Abstract: This paper improves the traditional LMBP algorithm of remote sensing image classification by extending input vectors which has been changed from low dimension to high dimension with kernel function for full utilization of the first and second derivatives information of error function. Simultaneously combining with the traditional advantages of LMBP algorithm, it can accelerate the convergence of network training. The simulation results show that the improved method with less iteration of network training and higher classification accuracy can be more effective in remote sensing image classification. Keywords: kernel function; LMBP algorithm; remote sensing image classification 0 引 言 随着卫星遥感图像分辨率的不断提高，人们可以从遥感图像中获得更多的有用信息。遥感图像分类作为图像处理中的重要环节，对地物信息提取、动态变化监测、专题地图制作和遥感图像库的建立等都有重要意义。目前用到较多的分类方法有最小距离法、平行六面体法、神经网络法等。相比其他方法，神经网络具有自学习和自组织的优点，可以划分较为复杂的特征空间，处理分布不规则的复杂数据，显著地提高分类精度。因此，近年来神经网络法被广泛地应用于遥感图像分类。 误差反向传播(BP)是一种按误差逆传播算法训练的多层前馈网络，BP算法进行改进，提出了附加动量法、共轭梯度法、LMBP(Levenberg-Marquardt)法等[1]。但是附加动量法权值改变对训练影响很大，易对后面的调整产生误导；共轭梯度法每一步都要进行一维搜索，耗费时间久。LMBP算法[1]分类精度较好，但迭代计算量比都大LMBP遥感图像分类算法，在核函数的基础上将分类转化到特征空间，通过扩展BP网络结构和增加输入维数的方法改进LMBP算法，然后进行训练仿真。实验结果表明：改进算法可进一步减少网络训练迭代次数，缩短网络训练时间，提高神经网络分类效果。 1 核函数和LMBP算法简介 核空间理论是由Vapnik引入的[2]，即将低维的输入空间数据映射到特征空间，使分类问题转化到特征空间，该理论的提出为解决非线性问题奠定了基础，同时也是克服维数灾难问题的关键。核函数方法是用非线性变换f(x)，将n维矢量空间中的随机矢量X映射到高维特征空间。统计学习理论指出，只要对称函数K(x,xi)满足Mercer条件[3]就可以作为核函数[4]。常用的核函数[5]有多项式核函数、高斯径向核函数和多层感知机核函数等。 LMBP法是所有BP改进算法中速度最快的算法之一，由Levenberg与Marquardt最早提出，实际上是梯度下降法和牛顿法的结合。梯