pso―bp模型在遥感影像分类中的应用研究.doc

PSO―BP 模型在遥感影像分类中的应用研究模型在遥感影像分类中的应用研究摘 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 BP 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 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 应用最多最成功的当数 BP 神经网络[1-3]但是，BP 神经网络由于其初始权阈值的不确定 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 附加动量法、带有动量项自适应学习率法以及 Levenberg-Marquard 算法等[4-6]第二类是 引入新的智能算法优化 BP 神经网络权阈值，然后结合改进 BP 算法改进 BP 神经网络运行 效果，提高 BP 模型运行效率[7，8]本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，并采用 MATLAB 语言实现了该模型，实验结果表明，该改进模型不仅 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类精度 2 遥感影像分类模型的搭建 2.1 核心思想 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，避免了复杂的选择交叉变异操作它特有的记忆能力使其可以根据当前追踪的搜索情况，�犹�调整搜索策略，寻找到最优解因此，本文在构建基于 BP 神经网络的遥感影像分类模型的基础上，将粒子群算法引入到 BP 神经网络模型参数的优化中，首 先采用粒子群算法缩小 BP 模型权阈值的搜索范围，然后再采用改进的 BP 神经网络算法进 行二次搜索，确定权阈值，得到模型最终权阈值，形成最终模型。

这样构造的模型既可以 避免由于权阈值的随机性造成的神经网络学习的稳定性差、可靠性低与易陷入局部极小的 问题，同时又可以提高模型的分类精度 2.2 基于 MATLAB 的模型实现步骤 Step1――基本参数设定取粒子个数 N=30对于搜索空间维度 D，输入层 indim=3，隐层 hiddennum=11，输出层 outdim=3，则 D=（indim+1） *hiddennum+（hiddennum+1）*outdim=80本文取每个微粒的加速项权重学习因子 c1=c2=2惯性因子 W 的取值直接影响粒子局部与全局搜索能力，为保持粒子对种群搜索 空间的拓展能力，采用线性递减权值策略，它能使 W 由 wmax 随迭代次数线性递减到 wmin for iter=1：itmax W（iter）=wmax-（（wmax-wmin）/itmax）*iter； end 式中，itmax=100 为最大进化代数，iter 为当前进化代数wmax=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 Step2――适应度函数的编写PSO-BP 神经网络模型算法运行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，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值。

因此本模型的适应度函数代码如下： function fitness=fitcal（pm，net，indim，hiddennum，outdim，D，Ptrain，Ttrain） [x，y，z]=size（pm） ； for i=1：x for j=1：hiddennum x2iw（j，：）=pm（i， （（j-1）*indim+1）：j*indim，z） ； end for k=1：outdim x2lw（k，：）=pm（i， （indim*hiddennum+1）：（indim*hiddennum+hiddennum） ， z） ； end x2b=pm（i， （（indim+1）*hiddennum+1）：D，z） ；x2b1=x2b（1：hiddennum） ’； x2b2=x2b（hiddennum+1：hiddennum+outdim） ’； net.IW{1，1}=x2iw；net.LW{2，1}=x2lw； net.B{1}=x2b1；net.B{2}=x2b2； error=sim（net，Ptrain）-Ttrain； fitness（i，1，z）=mse（error） ； end Step3――速度与位置初始化。

由于 BP 模型权阈值参数一般取[-1，1]之间的随机数， 因此群体中每个粒子对应的初始位置参数 X 和速度参数 V 均取为[-1，1]之间的随机数主 要代码如下： X=-0.5+1*rand（N，D，1） ； V=-0.5+1*rand（N，D，1） ； Step4――速度位置更新利用适应度函数计算个体适应度值，进行局部最优和全局 最优位置更新其主要代码如下： V（：，：，j+1）=W（j）*V（：，：，j） +c1*rand*（pbest（：，：，j）-X（：，：，j） ）+c2*rand*（G（：，：，j）- X（：，：，j） ）+rand*（G（：，：，1）- pbest（：，：，1） ） ； for ni=1：N for di=1：D if V（ni，di，j+1）>vmax V（ni，di，j+1）=vmax； elseif V（ni，di，j+1）<-vmax V（ni，di，j+1）=-vmax； else V（ni，di，j+1）=V（ni，di，j+1） ； end end end X（：，：，j+1）=X（：，：，j）+V（：，：，j+1） ； Step5――解码。

当算法按照预设参数结束后，将参数解码，并赋给 BP 神经网络模 型并其主要代码如下： for t=1：hiddennum x2iw（t，：）=gbest（1， （（t-1）*indim+1）：t*indim，j） ； end for r=1：outdim x2lw（r，：）=gbest（1， （indim*hiddennum+1）：（indim*hiddennum+hiddennum） ， j） ； end x2b=gbest（1， （（indim+1）*hiddennum+1）：D，j） ； x2b1=x2b（1：hiddennum） ’； x2b2=x2b（hiddennum+1：hiddennum+outdim） ’； net=newff（Pn_train，Tn_train，[hiddennum outdim]，{‘tansig’， ’purelin’}， ’trainlm’） ；net.IW{1，1}=x2iw；net.LW{2，1}=x2lw； net.b{1}=x2b1；net.b{2}=x2b2； 3 �b 感影像分类仿真实验 3.1 实验数据处理 由于采集到的遥感影像数据不是模型可以直接利用的数据类型，所以在将遥感影像 数据输入模型之前先将其转换为 R，G，B 三波段数据，再将三波段数据转换为 3 行，从 而形成输入矩阵。

再自行定义目标向量，并将其转换为与输入向量结构相同的向量，构成 了神经网络模型的训练样本对本文采用 LANDSAT 卫星崇明岛遥感影像图片作为实验数 据，图 1 为实验中用到的图片，图 2 为转换后计算机中存储的矩阵数据 3.2 仿真实验 表 1 给出了基于不同算法的分类结果对比，从表中可以看，由于对 BP 模型的权阈 值进行了 2 次优化，基于 PSO-trainlm BP 算法的遥感影像分类模型具有更高的分类精度， 且分类模型的稳定性也要好于基本 BP 模型与改进 BP 模型，图 3 给出了某次分类的分类结 果图，从分类后的图可以看出，如果有清晰的遥感影响图片及采样点精确的话，可以得到 很高的分类精度 4 结束语 本文主要研究了基于 PSO-BP 算法的神经网络遥感影像分类模型，并采用 MATLAB 语言进行了仿真，在研究中发现在进行遥感影像分类时采用梯度下降 BP 算法的模型存在 训练速度慢，对初始权阈值参数敏感且易陷入局部极小值的问题针对这个问题采用粒子 群算法及改进 BP 算法对权阈值进行两次优化，将优化后的权阈值作为分类模型的最终参 数实验结果表明这种设想是成功的，将粒子群算法引入到基于改进算法的 BP 遥感影像 分类模型后，不仅可以提高分类模型分类精度，同时也可以提高模型运行的稳定性。

参考文献 [1]徐磊，林剑，李艳华.基于 BP 人工神经网络的遥感影像分类[J].地理空间信息， 2012，10（4）：83-86. [2]王睿，韦春桃，马云栋.基于 BP 神经网络的 Landsat 影像去云方法[J].桂林理工大 学学报，2015，35（3）：535-539. [3]麦格，童新华.基于 BP 神经网络的石漠化遥感影像分类方法的探讨[J].广西师范学 院学报：自然科学版，2013，30（1）：70-77. [4]马丽霞，逄超，陈晓辉.BP 神经网络的改进算法及在大坝变形分析与预报中的应 用[J].吉林建筑大学学报，2016，33（4）. [5]王军.改进 BP 网络在沥青路面构造深度预测中的应用[J].厦门理工学院学报， 2016，24（3）. [6]蔚治国.基于改进 BP 神经网络的样本分类方法[J].自动化与仪器仪表，2016（6）. [7]游丹丹，陈福集.基于改进粒子群和 BP 神经网络的网络舆情预测研究[J].情报杂志， 2016，35（8）. [8]田亚鹏，鞠斌山.基于遗传算法改进 BP 神经网络的页岩气产量递减预测模型[J].中 国科技论文，2016（15）. 作者简介：王海军（1982-） ，男，汉族，内蒙古鄂尔多斯市人，鄂尔多斯应用技术 学院教师，高级工程师，工学硕士，研究方向：人工智能算法应用。