（森林经理学专业论文）基于人工神经网络的遥感图像分类研究.pdf

摘要：遥感图像的分类一直是遥感研究领域的重要内容，如何解决多类别图像的识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。人工神经网络技术的发展为解决这一问题提供了新的方法。人工神经网络具有学习能力和容错特性并且无须就概率模型作出假定，适用于空间模式识别的各种问题的处理，因此人工神经网络技术正在被越来越普遍应用于遥感图像的分类研究。本研究在国内外遥感图像植被分类研究的基础上，以m a t l a b 7 0 为平台，分别构建三层b p 神经网络、四层b p 神经网络和径向基函数( r b f ) 神经网络，对高黎贡山南段的i r s p 6 图像进行分类研究，并与传统的模式识别方法( 最大似然法) 的分类结果进行了精度比较分析。研究的主要工作和结果归纳如下：( 1 ) 通过制作研究区的数字高程模型( d i g i t a le l e v a t i o nm o d e l ，简称d e m ) 、坡度图、坡向图，提取研究区的海拔、坡度、坡向等地理因子。同时，对i r s p 6 图像进行图像增强与特征变换处理，主要进行k - l 变换、归一化植被指数( n d v i ，n o r m a l i z e dd i f f e r e n t i a lv e g e t a t i o ni n d e x ) 计算。( 2 ) 参照土地利用现状分类，根据研究区的土地利用和植被特点，结合遥感图像分类的特点和实际需要，制定了适合研究区的植被分类系统。根据此分类系统，借助研究区2 0 0 6 年i r s p 6 的4 3 2 波段与全色波段的融合图像的典型地物类型的目视解译标志，结合实地调查与遥感图像的光谱特征值，提取了用于训练模型的样本数据，并对样本数据的可分离性进行了计算评价，结果表明所选择的样本具有可分性。( 3 ) 通过选取占信息量最大的三个主成份分量，结合归一化植被指数以及高程、坡度、坡向等地理因子，进行了基于人工神经网络的遥感图像的自动分类研究。在m a t l a b 7 0 平台下，经过反复的试验比较，分别构建了三层b p 神经网络、四层b p 神经网络和径向基函数( r b f ) 神经网络分类器模型，并对遥感图像进行了自动分类。同时，在e n v l 4 3 下，完成了遥感图像的最大似然法分类。( 4 ) 采用误差矩阵、k a p p a 系数对分类精度进行评价，结果表明三层b p 神经网络、四层b p 神经网络和径向基函数( r b f ) 神经网络的总精度及k a p p a 系数分别比最大似然法的提高了3 9 4 ，1 0 2 7 ，6 5 3 和5 3 1 ，1 2 3 ，8 1 7 。从分类结果看，河流、河滩、居民地、无庄稼农地的分类效果最好，而竹林、针叶林、阔叶林、高山灌草丛的分类效果较差，效果不好的原因可能是“同物异谱、异物同谱 现象较多，以及遥感影像中阴影的存在。就三种神经网络模型而言，分类效果以四层b p 神经网络最好，其次是径向基函数( r b f ) 神经网络，三层b p 神经网络最差。尽管四层b p 神经网络的总精度及k a p p a 系数要比三层b p 神经网络和径向基函数( r b f )神经网络的要高，但是，其网络结构要比后两者复杂，训练时间也比后两者要久，可操作性较差。今后可以尝试采用其它的神经网络和算法，或者优化神经网络结构，进一步缩短训练时间，提高分类精度。关键词：人工神经网络；径向基神经网络；b p 神经网络；高黎贡山；遥感图像；分类s t u d yo nc l a s s i f i c a t i o no fr e m o t es e n s i n gi m a g eb a s e do na r t i f i c i a ln e u r a ln e t w o r ka b s t r a c t ：r e m o t es e n s i n gi m a g ec l a s s i f i c a t i o ni sa l w a y sap i v o t a lp a r to fr e m o t es e n s i n gs t u d y i ti sak e yi s s u eo fr e m o t es e n s i n gi m a g er e s e a r c ht or e s o l v et h ep r o b l e mo fm u l t i t y p ei m a g e si d e n t i f i c a t i o na n dm e e tt h ea c c u r a c yd e m a n d ，a n di th a si m p o r t a n ts i g n i f i c a n c ef o rc l a s s i f i c a t i o no ff o r e s tv e g e t a t i o n t h ea r t i f i c i a ln e u r a ln e t w o r k ( a n n )p r o v i d e san e ww a yt os o l v et h i sp r o b l e m ；i tc a nt r e a tv a r i o u sp r o b l e m ss u i t a b l ef o rs p a c ep a t t e r nr e c o g n i t i o n ，b e c a u s ei th a st h ep r o p e r t i e so fl e a r n i n g & f a u l tt o l e r a n t ，a n dd o e s n tn e e ds u p p o s i t i o no ft h ep r o b a b i l i t ym o d e l t h ea n ni sb e i n ga p p l i e dt os t u d yr e m o t es e n s i n gi m a g ec l a s s i f i c a t i o n b a s e do nt h ew o r l dr e m o t es e n s i n gc l a s s i f c a t i o na n a l y s i s ，t h i ss t u d yc o n s t r u c t sam o d e lo ft h et h r e el a y e r sb pn e u r a ln e t w o r k f o u rl a y e r sb pn e u r a ln e t w o r k & r b fn e t w o r kb a s e do nm a t l a b 7 0 ，a n du s e st h i sm o d e lt os t u d yi r s 一6i m a g eo ft h ee a s ts l o p eo ft h eg a o l i g o n gm o u n t a i n s a l s ot h i ss t u d yc o m p a r e si t sa c c u r a c yw i t ht h em a x i m u ml i k e l i h o o dc l a s s i f i c a t i o n m a i nr e s e a r c hw o r ka n dr e s u l ti sa sf o l l o w s ：。( 1 ) t h ea l t i t u d e ，s l o p ea n da s p e c tw e r ee x t r a c t e da c c o r d i n gt ot h ed e m ( d i g i t a le l e v a t i o nm o d e l ) ，s l o p ea n da s p e c tm a p sw h i c hw e r em a d ei nt h i sp a p e r m e a n w h i l et h ei r s 6i m a g ei st r a n s f o r m e dw i t hk - lt r a n s f o r ma n dc a l c u l a t e dn o r m a l i z e dd i f f e r e n c ev e g e t a t i o ni n d e x ( 2 ) a c c o r d i n gt ot h ec l a s s i f i c a t i o no fl a n du s ec o n d i t i o n ，l a n du s ea n dv e g e t a t i o nc h a r a c t e r i s t i c s ，c h a r a c t e r i s t i c so fr si m a g ec l a s s i f i c a t i o na n dp r a c t i c a ln e e d s ，t h ev e g e t a t i o nc l a s s i f i c a t i o ns y s t e mf o rs t u d ya r e aw a se s t a b l i s h e d b a s e do nt h ec l a s s i f i c a t i o ns y s t e m ，f i e l ds u r v e y , t h ec e n t e ri n t e r p r e t i v em a r ka n ds p e c t r u mc h a r a c t e r i s t i cv a r i a b l e so fr e m o t i n gs e n s i n gi m a g e ，t h es a m p l e so ft r a i n i n gm o d e lw a se x t r a c t e da n dt h es e p a r a b i l i t yo fs a m p l ed a t aw a sc a l c u l a t e d t h er e s u l t ss h o w e dt h a tt h es a m p l eh a ss e p a r a b i l i t y ( 3 ) t h ep a p e rs t u d i e st h ea u t o m a t i cc l a s s i f i c a t i o no fr e m o t es e n s i n gi m a g eb a s e do ni n t r o d u c i n gt h r e ep r i n c i p a lc o m p o n e n t s ，n o r m a l i z e dd i f f e r e n c ev e g e t a t i o ni n d e x ，a l t i t u d e ，s l o p ea n da s p e c t t h et h r e el a y e r sb pn e u r a ln e t w o r k ，f o u rl a y e r sb pn e u r a ln e t w o r ka n dr a d i a l b a s e dn e u r a ln e t w o r kc l a s s i f i e rw a sc o n s t r u c t e db a s e do nm a t l a b 7 0 t h em a x i m u ml i k e l i h o o dc l a s s i f i c a t i o ni sc o m p l e t e db ye n v l 4 3 ( 4 ) t h ec l a s s i f i c a t i o na c c u r a c yw a sa n a l y z e da c c o r d i n gt oe r r o rm a t r i x ，k a p p ac o e f f i c i e n t ，t h er e s u l ts h o w st h a tt h et o t a lt y p ea c c u r a c yo ft h et h r e el a y e r sb pn e u r a ln e t w o r k & f o u rl a y e r sb pn e u r a ln e t w o r k & r b fn e t w o r k & k a p p ac o e f f i c i e n ti n c r e a s e s3 9 4 ，1 0 2 7 ，6 5 3 ，5 3 1 ，1 2 3 a n d8 1 7 c o m p a r e dw i t hm a x i m u ml i k e l i h o o dl t lc l a s s i f i c a t i o n s t h ec l a s s i f i c a t i o nr e s u l t so fr i v e r , r i v e rs h o a la n dt h ef a n n l a n dw i t h o u ta g r i c u l t u r ea r et h eb e s t ，t h eb a m b o of o r e s t & c o n i f e r o u sf o r e s t & b r o a d l e a ff o r e s t &h i g h _ l a n db r u s ha n dg r a s s l a n dg e tw o r s er e s u l t s t h er e m o v i n gs h a d o w sa n d t t h es a m eo b j e c tw i t hd i f f e r e n ts p e c t r a ，d i f f e r e n to b j e d sw i t hs a m es p e c t r u m ”m a yb er e s p o n s i b l ef o rt h ew o r s ec l a s s i f i c a t i o nr e s u l t s d u r i n gt h r e ek i n d so fm o d e l s ，t h ed 鹊s i f j c a t i o nr e s u l to ft h ef o u rl a y e r sb pn e u r a ln e t w o r ki st h eb e s t ，t h er b fn e t w o r kt a k e ss e c o n dp l a c c ，柚dt h et h r e el a y e r sb pn e u r a ln e t w o r ki st h ep o o r e s t t h et o t a lt y p ea c c u r a c yo ft h ef o u r1 a v e r sb pn e u r a ln e t w o r ka n dk a p p ac o e f f i c i e n tw e r eh i g h e rt h a nt h et h r e el a y e r sb pn e u r a ln e t w o r k& r b fn e t w o r k ，b u tt h ef o r m e rw a s m o r ec o m p l i c a t e do nn e tc o n t r a c t u r ca n ds l o w e ro nt h et r a i n i n gt i m et h a nt h a to ft h el a t e r , a n dh a st h ep o o rp r a c t i c e i no r d e rt os h o lt e nt r a i n i n gt i m ea n di m p r o v et h ec l a s s i f i c a t i o np r e c i s i o n ，o t h e rn e u r a ln e t w o r ka n da l g o r i t h mo rt h ea d v a n c e dn e tc o n t r a c t u r ew i l lb et r i e dt ou s ei nf u l l l r e k e yw o r d s ：a r t i f i c i a ln e u r a ln e t w o r k ：r a d i a lb a s i cf u n c t i o nn e u r a ln e t w o r kb a c kp r o p a g a t i o nn e u r a ln e t w o r k ；g a o l i g o n gm u n t a i n ；r e m o t es e n s i n gi m a g e ；c l a s s i f i c a t i o n6i v声明本人声明所呈交的论文是我个人在导师指导下进行的研究工作取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含他人已经发表或撰写过的研究成果，也不包含为获得西南林学院或其它教育机构的学位或证书而使用过的材料，与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。躲啦吼上咩关于论文使用授权的说明本人同意：西南林学院有权保留论文的复印件，可以采用影印、缩印或其他复制手段保存论文：提交论文一年后，允许论文被查阅和借阅，学校可以公布论文的全部或部分内容。( 保密的论文在解密后应遵守此规定)签名：聊签名：丞趱日期：碰：至歹1 引言1 引言1 1 研究目的与意义遥感技术的不断发展为我们提供了大量的多时相、多波段、多尺度对地观测数据，如何充分利用这些海量遥感数据为应用研究服务成为一个迫切需要解决的问题，如何从遥感数据中获得人们所需的最大信息一直是遥感技术研究的重要内容【1 1 。分类是遥感图像应用的一个重要方面，在遥感图像的分类研究中，研究人员尝试了许多方法，传统计算机识别虽然克服了目视解译的一些不足，但却没有继承目视解译的最关键优点，未能充分发挥专家的知识经验，分类精度较低。因此，如何把二者结合起来，成为近年来研究者关注的热点之一。研究者使用的方法主要是将模糊数学、人工智能( 主要是专家系统) 、人工神经网络等技术应用于遥感数据解译与分类，从算法上进行改进。人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，a n n ) 是人工智能的一个分支( a r t i f i c i a li n t e l l i g e n c e ，a i ) ，通常也叫做并行分配计算处理( p a r a l l e ld i s t r i b u t e dp r o c e s s i n g ，p d p ) ，它是一种模仿人脑和神经网络系统的功能，由简单处理单元构成的规模宏大的并行分布式处理器，反映了人脑功能的基本特征，是人脑的某种抽象、简化和模拟，具有自组织、自学习的功能，天然具有存储经验知识和使之可用的特性1 2 1 。人工神经网络信息处理是由神经元之间的相互作用来实现的，知识和信息的存储表现为网络结构分布式的物理联系，网络的学习和处理过程决定于神经元连接权值的动态变化。由于人工神经网络通常采用非线性作用函数，因此其动念运行构成了非线性动力学系统，具有不可预测、不可逆、多吸引子等特点，因此，人工神经网络可模拟大规模自适应的非线性复杂系统，能够很好地拟合一个非线性过程，且应用灵活，它独特的结构和处理信息的方法，能解决一些传统计算机极难求解的问题，可以准确、快速识别和提取遥感图像上的地物类别属性信息，因而，在遥感图像分类中得到了广泛的应用。地学知识和地理信息的辅助决策可以大大提高遥感影像分类和信息提取的精度。遥感影像是具有地学属性的，要揭示更深层的影像地学规律以获得更精确的影像分类和信息提取结果，就需要汇集相关的地学信息和专家知识，通过模拟地学专家视觉活动和逻辑判断能力来获取对遥感影像的地学认知【3 1 。人工神经网络与地学知识相融合，形成分布式的网络知识结构，提高影像分类的精度，同时也能保障网络稳定性。在地学信息或知识参与决策下，可以更灵活的进行学习和分类，甚至可以解决一些因为“噪声而难以正确分类的问题。基于人工神经网络的遥感图像分类研究本研究以高黎贡山自然保护区南段的i r s p 6 遥感图像作为分类处理对象，以探讨保护区及其周边地区植被类型自动分类为目的。在野外调查、收集和整理基础地理数据的基础上，结合地学知识、主成分分析以及归一化植被指数，建立基于人工神经网络的遥感图像自动分类模型，并进行分类精度评价。同时，在m a t l a b 7 0 软件支持下分别构建b p ( b a c kp r o p a g a t i o n ，反向传播) 神经网络、径向基函数神经网络模型，进行遥感图像的自动分类研究。研究结果可以为保护区现有保护措施的评价提供基础数据，为保护区的管理、保护方案、资源开发模式的制定提供基础数据，也可以为基于遥感数据的营林区动态监测、管理及生产经营提供基础数据，从而为林业经营管理提供指导。同时，也可以为基于神经网络的遥感图像自动分类进行有意义的探讨。1 2 国内外研究现状人工神经网络属于非参数分类器，该方法8 0 年代末才开始应用于遥感图像分类【4 1 。近年来，该方法已广泛应用于遥感图像分类。人工神经网络技术在遥感图像分类处理中的应用主要有b p 神经网络、径向基函数神经网络、模糊神经网络、三维h o p f i e l d 网、小波神经网络、k o h o n e n 自组织特征分类器等多种分类器。这些神经网络在遥感图像自动分类上都有一定的应用，并取得了较好的效果。我国学者在2 0 世纪9 0 年代中期才开始应用人工神经网络进行植被分类。胡希军f 5 j 、李祚测6 j 分别采用标准的b p 网络对t m 图像、m s s 图像进行监督分类研究。王玲1 7 j 提出了运用径向基函数神经网络和k 均值法进行遥感影像分类的算法，以武汉地区的t m 影像分类为例，获得了较好的分类精度，特别是林地的分类精度，达到了0 8 8 1 ，远高于最小距离法0 7 2 6 2 的分类精度。2 0 0 5 年，王建梅【8 j 先用i s o d a t a 算法对t m 遥感图像的4 、5 、3 波段组成的假彩色图像进行非监督分类，再采用了基于l m 算法的b p 神经网络进行植被分类，得到了8 8 5 5 总体分类精度。2 0 0 5 年，刘旭升【9 j 结合森林资源现状分布数据，通过附加动量法和变学习率方法改进标准的b p算法，对e t m + 4 、5 、3 波段与8 波段的融合数据进行分类研究，提高了针叶林和阔叶林、灌木林和草地分类精度。张友水等1 1 0 l 对t m l 、2 、7 波段进行k l 变换，取第一分量k l l 和t m 3 、4 、5 波段组合成新的多波段遥感影像，同时将d e m 数据和坡度数据量化，随光谱数据一同参与b p 网络训练分类。骆剑承掣1 1 l 探讨r b f 映射理论在遥感影像分类中的具体算法和实现过程，并初步提出了融合地学知识的r b f 影像分类模型，通过以l a n d s a t l 0 t m 影像土地覆盖分类为例，认为r b f 方法在学习速度、网络结构、融合领域知识等方面具有一定的优势。2 0 0 6 年，刘书华等【1 2 j 选取武21 引言汉地区的t m 影像，设计了种运用径向基函数神经网络进行遥感影像分类的监督分类器，用这种方法算出r b f n n 总体分类精度为0 9 7 7 ，而最小距离法总体分类精度为0 9 2 9 。2 0 0 6 年，刘凯i l 剐以珠海淇澳岛红树林区为研究区，将s a r 图像与t m图像进行主成分融合后，采用b p 神经网络取得了最好的分类效果。国外将人工神经网络应用到遥感图像植被分类比较广泛。自从b p 神经网络、r b f 函数神经网络应用于遥感图像的分类以来，国外的许多研究人员，如p a o l a 1 4 】、a k r z y z a k l l 5 j 以及v e n k a t e s h d 6 】等都曾利用其对影像数据分类进行深入的研究。k i m e s 等【1 7 l 就如何利用b p n n 进行植被信息提取进行了综述与展望。f o o d y 1 8 在a - r神经网络模型中，通过加入先验知识提高分类的精度，而m u v a i 等i ”l 则构建与知识库系统相结合的b p 神经网络模型来进行遥感影像的分类工作。a b d e l g a d i r 等【2 0 】将多层前向神经网络应用于美国明尼苏达州，进行遥感图像分类，取得了很好的分类精度，并指出b p n n 能够很好的从定向辐射测量数据( 包含很多有益于分类的信息) 中进行类别识别。r a g h u 等 2 1j 将自组织图与多层感知器相结合对遥感图像进行纹理分类，得到了满意的分类结果。y l e u n g l 2 2 l 等则在r b n m 模型基础上进行了从大量样本集中自动快速提取模糊和非模糊规则的工作。2 0 0 0 年，h s i a o 掣2 3 1 利用b p 神经网络对台湾省某地的遥感影像进行了分类，通过图像分析，能清晰地将立地分成高密度林地、中密度林地、低密度林地、草地、沼泽地、农业用地、河床地带、海滩及贫瘠土地等9 类，而且分类精度高达8 2 3 。2 0 0 2 年，a u g u s t e i j n 等【矧在b p 神经网络的基础上提出了一种基于统计的神经网络( p n n ) 能j 分类器模型，经过实验证明能够实现新类别的探测和提取。尽管目前国内外利用人工神经网络对遥感植被分类的研究有了很大的进展，己经证明神经网络方法可以有效地应用于遥感数据分类，而且，越来越向多源遥感数据的融合、多种方法的复合、多种知识的综合等方面发展。但是，也可以发现，由于人们对神经网络隐层的工作原理并不是很清楚，要成功地使用神经网络方法来进行分类，在网络结构的确定、隐层结点数、参数的选择等方面，需要继续进行深入研究。1 3 本研究的主要内容本研究在m a t l a b 7 0 软件支持下，构建人工神经网络模型，进行i r s p 6 遥感图像的自动分类研究。具体研究内容如下：( 1 ) 建立数字高程模型( d e m ) ，提取研究区内海拔、坡度、坡向等地形特征因子；并进行遥感图像几何精校正、图像切割；3基于人工神经网络的遥感图像分类研究( 2 ) 进行i r s p 6 图像主成分变换、n d v i 计算；( 3 ) 确定研究区植被类型分类系统，提取一定数量的训练样本数据；( 4 ) 以m a t l a b 7 0 为工作平台，进行i r s p 6 遥感图像的人工神经网络植被分类方法的探索研究；( 5 ) 遥感图像分类精度评价。1 4 本研究的主要工作平台本研究主要在a r c g i s9 0 ，e n v l 4 3 ，m a t l a b7 0 软件下完成。( 1 ) a r c g i s9 0 1 矧。a r c g i s9 0 是美国环境系统研究所( e n v i r o n m e n ts y s t e mr e s e a r c hi n s t i t u t e ，e s r i ) 开发的新一代g i s 软件，具有三个基础模块a r c m a p 、a r c c a t a l o g 和g e o p r o c e s s i n g ，a r c m a p 是a r c g i s 桌面系统的核心应用程序，用于显示、查询、编辑和分析地图数据；a r c c a t a l o g 是一个空间数据资源管理器，用于定位、浏览、搜索、组织和管理空问数据；g e o p r o c e s s i n g 由a r c t o o l b o x ( 空间处理工具)和m o d e b u i l d e r ( 可视化建模工具) 组成，具有强大的空间数据处理和分析能力。( 2 ) e n v i4 3 1 2 6 j 。e n v i ( t h ee n v i r o m e n tf o rv i s u a l i z i n gi m a g e s ) 遥感影像处理软件是美国r s i 公司的旗帜产品，它是由著名的遥感科学家用交互式数据语言i d l( i n t e r a c t i v ed a t al a n g u a g e ) 开发的一套功能强大的遥感图像处理软件，它可以轻松读取、显示和分析各种类型的遥感数据，并提供了从影像预处理、信息提取到与地理信息系统整合过程中需要的各种功能。( 3 ) m a t l a b7 0 软件【3 7 1 。m a t l a b 源自m a t r i xl a b o r a t o r y ，是m a t h w o r k 公司推出的一套数值计算与可视化软件，于2 0 0 4 年9 月正式推出m a t l a b 7 0 版本。专门以矩阵的形式处理数据，将高性能的数值计算和可视化集成在一起，并提供了大量的内置函数，广泛地应用于科学计算、控制系统、信息处理等领域的分析、仿真和设计工作。作为m a t h w o r k s 公司开发的用于概念设计，算法开发，建模仿真，实时实现的理想的集成环境，与b a s i c 、f o r t r a n 、p a s c a l 和c 等编程语言相比，m a t l a b 具有程序可读性强、调试简单等特点，尤其是在编写含矩阵运算的复杂程序时，能给用户提供极大的方便。1 5 本文主要结构及研究技术路线本文在内容安排上共分为六章，主要介绍了人工神经网络、b p 神经网络、径向基函数神经网络的基本理论、遥感图像预处理及图像增强与特征变换、研究区分类系41 引言统的建立及典型样本的确定以及详细介绍了基于三层b p 神经网络、四层b p 神经网络和径向基函数神经网络的遥感图像分类，并进行了分类精度评价，最后，对基于人工神经网络的遥感图像分类进行了总结与展望。作者在学习总结前人对遥感图像分类的基础上，提出如下的基本工作流程图。按照这种工作方式进行信息分类提取，并结合应用各种辅助资料，完成对研究区遥感图像的分类。图1 - 1 基本工作流程图f i g 1 1t h ef l o wc h a r to fb a s i cw o r k基于人工神经网络的遥感图像分类研究2 人工神经网络分类人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，简称a n n ) 是由大量的、简单的处理单元( 称为神经元) 广泛地互相连接而形成的复杂网络系统，是从微观结构与功能上对人脑神经系统的模拟而建立起来的一种数据分析处理系统，具有模拟人的部分形象思维能力，其特点主要是有自学习、自适应和自组织能力1 2 郐- 3 0 l ，能够求解各种十分复杂和高度非线性的分类和模式识别问题，因而广泛应用于遥感图像处理领域。在遥感图像分类处理中应用人工神经网络模型主要有b p 神经网络、模糊神经网络、三维h o p f i e l d 网、径向基函数神经网络、k o h o n e n 自组织神经网络等，由于b p神经网络、径向基函数神经网络均属于前向神经网络，都具有自己独特的优点，因而，本研究采用这两种方法进行遥感图像自动分类研究。2 1 人工神经网络概述2 1 1 人工神经网络生物学启示人工神经网络是受生物神经网络的启发构造而成的。科学研究发现，人脑由大量( 约1 0 1 1 一- - 1 0 1 2 个) 高度互连的单元( 每个单元约有1 0 4 , - , 1 0 5 个连接) 组成，这些单元被称为神经元，这些神经元由三部分组成：树突、细胞体和轴突。树突是树状的神经纤维接收网络，它将电信号传送到细胞体，细胞体对这些输入信号进行整合并进行阈值处理。轴突是单根长纤维，它把细胞体的输出信号导向其他神经。一个神经细胞的轴突和另一个神经细胞树突的结合点称为突触。神经元的排列和突触的强度( 由复杂的化学过程决定) 确定了神经网络的功能【2 , 2 8 - 3 0 。状足起图2 - 1 生物神经元简图f i g 2 - 1t h es k e t c ho ft h eb i o l o g i c a ln e u r o n s图2 - 1 是两个生物神经元简图，其他神经元及其相互之间的联接与此类似。一些神经结构是与生俱来的，而其他部分则是在学习的过程中形成的。神经结构在整个生命期内不断地进行着改变，后期的改变主要是加强或减弱突触连接。62 人工神经网络分类2 1 2 神经元模型神经元的信息处理一般包括三个部分：输入信号、连接权重和激活函数( 也称作用函数) 。简化的神经元的基本工作机制是：一个神经元有两种状态：兴奋和抑制，平时处于抑制状态的神经元，其树突或胞体接受其他神经元经由突触传来的兴奋电位，多个输入在神经元以代数和的方式叠加；如果兴奋总量超过某个阂值，神经元就会被激发进入兴奋状态，发出脉冲信号，并由轴突的突触传递给其他神经元1 2 9 1 。神经元的模型如图2 2 所示。输入x l输入x n图2 - 2 单个人工神经元模型示意图f i g 2 - 2t h em o d e lo fa na r t i f i c i a ln e u r a l一个人工神经元将接受的信息x 1 ，x 2 ，x n ( 也就是神经元的输入) ，通过用w i l ，w i 2 ，w i i l 表示的互联强度，以点积的形式合成为自己的输入，并将输入与以某种方式设定的阈值作比较，再经某种形式的激活函数s 的转移，得到该处理单元的输出。2 1 3 多层神经网络大量的神经元互相连接而形成的复杂网络系统，虽然每个神经元的结构和功能十分简单，但由大量神经元构成的网络系统的行为却是十分复杂的。随着神经网络理论研究的深入，单层网络的一些限制可以通过增加网络层次来解决，每层由多个神经元组成，并且都有自己的权值矩阵、偏置值、输入和输出。如果某层的输出是网络的输出，那么称该层为输出层，其他的中间层称为隐含层。2 1 4 人工神经网络的优点和存在的问题在应用人工神经网络解决实际问题时，显示出许多独特的优剧3 1 1 ：( 1 ) 方法简单，无需建立各种复杂的数学模型，不需要非常苛刻的前提条件，如独立性、正态性、平稳性、齐次性等。7基于人工神经网络的遥感图像分类研究( 2 ) 具有较强的非线性处理能力，无须知道数据的分布形式和变量间的关系。( 3 ) 具有较强的学习、存储、容错能力，适合从样本模式中提取特征，获取知识。但是，人工神经网络也存在在一些问趔3 2 】：( 1 ) 黑箱( b l a c k b o x ) 。a n n 通常作为一个“黑箱”。在这个“黑箱 中，由于隐层和非线性激活方程的作用，权重难以解释，而且不具有生物学的意义；神经网络结点也不能自我解释；对于一些输入变量或重要水平的预测，没有一个标准的检验方法能测定输出变量的可变程度。( 2 ) 训练时间。训练和检验a n n 需要充分的时间，并且学习的过程非常慢。( 3 ) 过度拟合数据( o v e r - f i t d a t a ) 。由于a n n 具有十分复杂的建筑学和最佳网络的几何学，因而，它可能对某一组数据的模拟表现出很好的结果，而对另一组数据则相反，即过度拟合数据。2 2b p 神经网络2 2 1b p 神经网络b p 神经网络是前向神经网络的核心，体现了人工神经网络最精华的部分，因而是较常用的神经网络模型之一。从结构上来讲，它是一种分层型网络，具有输入层、中间层( 隐藏层) 和输出层的结构【2 7 1 。对于一个b p 网络而言，中间层可以有两个以上，而只有一个中问层的网络则是一种典型的b p 网络模型，如图2 3 所示。当给定一个输入模式时，输入信号由输入层到输出层的传递是一个前向传播的过程，如果输出信号与期望信号有差别，即存在误差，那么就转入误差反向传播的过程，并根据各层误差的大小来调节各层的权值。尽管从学习的角度看，信息的传播是双向的，但b p 网络的结构仍是单向的，不存在信息的反馈。入毒古量出层图2 - 3 三层b p 神经网络示意图f i g 2 3t h et h r e el a y e r sb pn e u r a ln e t w o r k82 人工神经网络分类2 2 2b p 算法概述及数学表达【2 7 ，3 3 3 4 1b p ( b a c kp r o p a g a t i o n ) 算法在于利用输出层的误差来估计输出层的直接前导层的误差，再利用这个误差去估计更前一层的误差，这样就形成了将输出端表现的误差沿着与输入信号传送相反的方向逐级向网络的输入端传递的过程。因此，人们将此算法称为向后传播算法，简称b p 算法。b p 算法的提出，使神经网络开始得到了广泛的有实际意义的应用，对人工神经网络第二次研究高潮起到了巨大的推动作用【3 0 j 。b p 算法执行的是有导师训练，主要包括4 步，这4 步被分为两个阶段【2 7 ，3 3 3 4 】：( 1 ) 向前传播阶段从样本集中取一个样本( x p ，y p ) ，将x p 输入网络；计算相应的实际输出o p ；在此阶段，信息从输入层经过逐级的变换，传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。( 2 ) 向后传播阶段计算实际输出o p 与相应的理想输出y p 的差；按极小化误差的方式调整权矩阵；这两个阶段的工作一般应受到精度要求的控制，以图2 3 为基础，设有一个m 层的神经网络，第j 层的第j 个神经元的输出为o i ，w j i 是第i 层与第j 层之间的连接权值；第k 层的第k 个神经元的输出为o k ，w k j 是第j 层与第k 层之间的连接权值。当输入某个样本时，网络进行正向传播：n e t j = q0 ，= 厂【n e t ，j则输出的样本误差为：e = 吾( y ，一。，) 2o 、i1 考虑到权值对误差w i i 的影响，有：三生。旦坐6 t o td w i t# n e t id w i l定义学习率为1 1 ，则第i 层与第j 层之间的连接权值w j i 调整公式为：w j i ( t + 1 ) = ( f ) + ( t ) ；w j i ( t ) - r 1 6 d 如果第j 层是输出层，贝l j - 罟盖一一( y j - o j 0 0e t) 厂伽，)。jd 厅。女口果第j 层不是输出层坝l j 铲毒d n e t = 军羔o n e t 等宰盖e t = p ( 删，)。：乍d o ，d n ：乍。这样就求出了屹，可以对权值矩阵进行调整。基丁人工神经网络的遥感图像分类研究2 2 3b p 模型的不足b p 模型及其算法还存在一些不足，归纳起来有：( 1 ) b p 网络学习速度缓慢，易陷入局部最小，甚至不收敛。b p 神经网络属于前向型网络，无反馈连接，影响了信息交换的速度和效率。同时，为了使网络执行b p 算法，必须把步长的更新规则预先赋予网络，导致了算法低效，尤其建立大型网络时，速度下降更为明显。从数学角度看，b p 算法是一种局部搜索的优化方法，采用的是l m s 的误差梯度下降到极小的学习算法，误差空间存在许多极小区域，网络可能陷入局部极值、甚至不收敛，无法保证每次训练网络的全局最优性。( 2 ) 网络结构难以确定。网络结构直接影响网络逼近能力及推广性能，而网络结构的选择尚无一种统一而完整的理论指导，往往只能取决于问题的本身或依靠经验反复实验来选定。若隐层节点数目太少，则反向传播算法将不能在训练中聚焦到最小值，网络识别能力差：数目太多，则又使得网络学习时间过长，导致过度拟和数据。( 3 ) 训练样本的高要求。复杂无序的样本数据集，由于迭代算法次数过多，使得学习效率极低，也影响了网络的学习速度。网络的逼近、推广能力同学习样本的典型性密切相关，要求表征每个样本特征的数目必须相同。( 4 ) 网络的预测能力( 也称泛化能力) 与训练能力( 学习能力) 的矛盾。一般情况下，训练能力差时，预测能力也差，并且一定程度上，随训练能力地提高，预测能力也提高。但这种趋势有一个极限，当达到此极限时，随训练能力的提高，预测能力反而下降，即出现所谓“过拟合”现象。2 2 4b p 模型的改进针对b p 神经网络在实际应用中的不足，本研究主要从以下几个方面进行改进：2 2 4 1 优化b p 网络优化b p 网络结构，就是调整网络拓扑结构的设置，主要是选择隐层的层数及其结点的数目。在一般情况下，增加隐层数目和结点数，可以提高精度，且能有效地减少局部极小的几率，但是延长了学习时间，因而适当调整隐层结点的数目，可以获得较好的结果。如果网络包含两个隐层，第一隐层的结点数至少是输入层结点的2 到3倍，同样，第二层隐层的结点数应该至少为输出层结点数的2 到3 倍；如果网络只有一个隐层，则其结点数至少为以上所述两层结点数的最大值；如果仍然不能达到足够精确的分类结果，则可以适当增加隐层结点的数目，直到获得预期的结果1 3 5 j 。1 02 人工神经网络分类2 2 4 2 改进b p 网络改进b p 网络主要包括四个方面：动态地修正学习速率t 1 、添加动量项、改变网络激励函数、修正权值。b p 网络的收敛速度和泛化能力涉及各个方面，因此网络的改进措施不能仅仅考虑某一方面的影响，而要对各方面的影响因素进行优化组合，将这几种改进措施有机结合起来，获得最佳的组合效果和训练效果。( 1 ) 动量方法【蚓使用动量项后，能加速收敛可以在维持算法稳定前提下得到更高的学习速度下。动量改进公式为a w ( t + 1 ) = - - r i b + a a w ( t ) ，其中口【o ，1 】，是一个常数，称为动量因子，a w ( t 1 为上一次学习时的权值修正量。( 2 ) 学习速率刁的自适应性动态调型3 6 】学习率r 是影响b p 算法效率的关键，最优的b p 算法，其，7 应该是随时间的变化而作动态调整，网络中每个权值可具有不同，7 ，并随时间变化。，7 调整规则如下：当网络中相对于某权值的误差