未来智讯 > 神经网络论文 > 遥感图像分类中的遗传算法LVQ神经网络运用
    遥感图像分类中的遗传算法LVQ神经网络运用作者:未知  摘  要: 对付遥感图像分类过程中的问题,提议遗传算法LVQ神经网络来兑现遥感图像的分类。将LVQ神经网络联合遗传算法,使用遗传算法最优阈值与权值兑现网络训练,使分类精度获得提高。之后融合相似灰度值创建分类图像特性矢量,使特性矢量在神经网络中输入兑现训练。进修矢量量化神经算法对初值很是敏锐,对遥感图像分类精度具有必然影响。最终,为了对本能进行测试,在尝试过程中对照本文分类要领和SVM决议计划树分类要领,议决尝试了局表现,文中提议的分类要领的遥感图像分类精度为95.82%,与其他分类要领比拟,分类精度获得进一步提高。
  关头词: 遥感图像分类; 遗传算法; LVQ神经网络; 网络训练; 本能测试; 精度评估
  中图分类号: TN911.73?34                         文献标识码: A                      文章编号: 1004?373X(2020)01?0040?04
  Application of genetic algorithm LVQ neural network
  in remote sensing image classification
  DENG Lingyun
  Abstract: In order to solve the problems in the process of remote sensing image classification, a genetic algorithm LVQ  (learning vector quantization) neural network is proposed to realize remote sensing image classification. The LVQ neural network is combined with genetic algorithm, and the optimal threshold and weight of genetic algorithm are used to train the network, so that the classification accuracy is improved. Then, similar gray values are fused to create characteristic vector of classified images, which are input into the neural network for training. LVQ neural algorithm is very sensitive to initial values and has a certain impact on the classification accuracy of remote sensing images. Finally, in order to test the performance, the classification method proposed in this paper was compared with the SVM decision tree classification method in the experimental process. The experimental results show that the classification accuracy of remote sensing images with the proposed method is 95.82%, and has been further improved in comparison with other classification methods.
  Keywords: remote sensing image classification; genetic algorithm; LVQ neural network; network training; performance testing; accuracy assessment
  0  引  言
  在当代图像处置技艺不息成长的过程中,远距离遥控图像指标辨认技艺备受人们的崇尚,此技艺被普遍应用到工业、探测和军事范畴中。神经网络分类要领被普遍应用到图像指标辨认和遥感图像分类过程中,可是此要领存在部分最好解与辨认效果比力低的问题。从70年月起点,遥感图像分类都是遥感技艺和响应范畴学者所崇尚的问题。在当代遥感图像分类过程中首要使用混沌数学分类法、统计模式辨认法、语句法、模式辨认法[1]。今朝,人造神经网络(ANN)在遥感图像分类过程中普遍使用,首要包罗自组织特性映射、BP和ART等。在1990年,Kohonen提议了进修矢量量化(LVQ)算法,可以兑现聚类中心的监督和进修,也可以使此中心代表数据都归类到中心所属种别中。可是常用LVQ神经网络存在局部问题,好比具有未被充分使用的神经元,而且算法对付初值比力敏锐,也便是假设选择初值误差比力大,就不会具有优良聚类效率,对遥感图像分类精度造成影响[2]。为了使上述问题获得解决,本文提议使用遗传算法对LVQ神经网络初始值进行优化,行使量化共軛梯度要领对尺度BP算法进行改良,使用遗传算法(GA)对BP网络隐层神经元数目和初始权重进行优化,兑现急剧搜罗网络最优解,使BP网络范围性问题获得解决,从而可以麻利获得最好网络初始权值向量。
         1  尺度神经网络算法范围性
  1.1  BP网络偏差权空间剖析
  BP神经网络偏差指的是各层权重与输入样本数据的函数,简略表现为:
  [E=F(X,W,θ,T)]
  即多维空间纷乱曲面,此多维空间便是偏差权空间,二维权空间偏差曲面如图1所示。
  议决图1能够看出,偏差曲面分布的首要特点有两个,也便是尺度BP算法典型的范围性:
  1) 在偏差曲面中局部区域较为坦平,这时偏差对付权重改变并不敏锐,偏差的梯度改变比力小,调解的时间比力长,拘谨速率较为迟钝。
  2) 网络训练过程中会陷入部分极小点,有关切磋表现,在BP网络寻优过程中与网络初始点权重具有较大的关系,假设初始点和全局最长处比力接近,网络就会拘谨到全局最优解。
  1.2  BP网络隐层神经元数目
  行使添加隐层神经元数目提高偏差精度,其训练效率比添加网络层数加倍轻易调解与窥察。将有限输入模式映射到输出模式中,并不必要大量隐层神经元。可是今朝若何选择隐层神经元数目并异国优良解析式,都因此尝试或者前人设计阅历进行确定。为了使上述BP网络范围性问题获得解决,本文行使遗传算法和LVQ神经网络相互联合进行兑现[3]。
  2  遗传算法LVQ神经网络的原理和算法
  2.1  LVQ神经网络
  进修矢量量化LVQ神经网络是由Kohonen提议的,可以兑现模式分类的监督自组织神经网络模子,可以指定输入分到哪个类中。LVQ网络议决输出层、输入层组成,输入层只可兑现输入样本的领受,输出层属于竞争层,可以兑现输入样本的聚类,此两层神经元相互联贯。LVQ神经网络其实便是改良的传统K?隔壁分类器,可以使K?隔壁分类器有大量空间存储所有训练样本和永劫间分类的问题获得解决,而且网络进修速率比力快[4]。LVQ的神经网络基本布局如图2所示。
  LVQ进修算法程序如下:
  1) 假如训练样本集配置为[A],训练样本为[X=[x1,x2,…,xp]T],[X]所属的种别为[r],输出层神经元[j]初始权值矢量表现为[Wj],进修步长配置为[η](0),[T]表现最大的迭代次数,[ε]指的是许可偏差。
  2) 输入矢量[X],在输出阵列中寻觅和[X]具备比来匹配神经元,表现为[i],神经元[i]的种别表现为[Ci]。
  3) 调解权值:
  假设[r=Ci],则:
  [Wi(t+1)=Wi(t)+η(t)[X-Wi(t)]]
  假设[r≠Ci],则:
  [Wi(t+1)=Wi(t)-η(t)[X-Wi(t)]]
  式中进修步长[η(t)]在0~1之间,可以对网络权值趋于无穷猛进行克制。
  4) 议决训练样本集选择下个输入矢量,供给给LVQ网络,返回程序2),直到所有矢量都可以供给一遍。
  5) 对中止前提是否餍足进行测试,假设餍足则中止训练,不然贬低进修步长,返回到程序2)[5]。
  议决上述策略表现,在当选中输入迷经元[i]所对应种别与输出矢量[X]一样时,权向量就会越来越接近输入矢量。相背,就会偏离。以是,LVQ网络性子便是聚类。
  LVQ网络是基于LVQ神经网络,为了使分类本能获得提高,从而对类间混叠模式分类问题进行处置,其可以设计贬低分类错误的Bayes分类器,其不仅可以充分思虑和某个输入向量[X]最优匹配神经元[Wk],而且还会对次优匹配神经元[Wr]进行思虑。假设以下三个前提都可以餍足,算法就会调解[Wk]与[Wr],不然就凭据尺度LVQ算法对[Wk]进行调解。
  1) [Wk]和[Wr]为各异分类;
  2) [Wr]和[X]代表同个分类;
  3) [Wk]和[Wr]到[X]的距离是一样的。
  调解的公式为:
  [Wk(t+1)=Wk(t)-η(t)[X-Wk(t)]Wr(t+1)=Wr(t)-η(t)[X-Wr(t)]]
  LVQ2算法行使对两个权向量[Wk]和[Wr]进行查考,可以促进算法的拘谨。
  LVQ2神经网络的设计和算法上风可以急剧拘谨,部分搜罗才力优良。可是存在的首要问题便是初值敏锐,假设选择初值误差比力大,就无法呈现优良聚类效率,以此贬低分类精度。为明白决LVQ2算法对付初值敏锐性,本文使用遗传算法改良LVQ2算法,获得神经网络初始权值。
  2.2  遗传算法
  行使遗传算法优化权值和阈值的过程为:起首议决GA搜罗网络类似最优与最优的阈值和赓续权重,然后议决RBF调解最后的权重。在评估全部染色体之后,议决算法的选择,提取当前染色体创建中央群体。本文在对算子选择过程中行使排序算法进行轮盘选择。最终,议决中央种群染色体的交织算子与突变算法创建下个群体,议决选择评估,复制两者为全新的染色体,评估所有的染色体和再现的步骤,直到中止尺度获得餍足。遗传算法的优化流程如图3所示。
  起首,初始化图像数据,之后,行使勘测总均方偏差值对每个染色体顺应度进行评估:
  [Xj=tanh(i=1nxiwji+wjo)y=i=1nxiwji+wko]
  式中:[xi]指的是输入变量值;[wji]指的是输入联贯权重[6]。
  2.3  神经网络训练
  议决遗传算法对RBF神经网络训练程序如图4所示。
  神經网络训练程序具体如下:
  1) 初始化群体。GA为种群染色体,染色体相对应需求可变数组。那么,[h]潜藏节点也便是染色体,而且可以初始化径向中心作为随机值。染色体公式表现为:
         [C=[c1,c2,…,ch]]
  群体中的染色体一共有[Npop]条。
  2) 谋略顺应度。以RBF相应评估[Npop]条染色体顺应性值,本文的最小平方偏差为基函数。
  [δ(t)=12d(t)-y(t)2]
  式中:[d(t)]是指行使训练集获得的盼望输出;[y(t)]是指行使网络在测试数据中获得的输出。
  3) 选择。[Npop]染色体议决顺应度函数,以降序的体式格局摆列,将最佳的染色体进行留存,抛弃其他的染色体。将幸存的群体作为[Nkeep],从中选择两名双亲天生弹簧。本文在双亲中使用加权等级,将其作为几率要领,行使染色体[n]对染色体几率谋略为:
  [Pn=Nkeep-n+1n=1Nkeepn]
  选择最高几率的两条顶级染色体进行交织。
  4) 突变。此属于遗传算法,首要应用到组合信息中,可以发生全新弹簧,基于两个怙恃组合信息,发生全新弹簧决意交织率。
  5) 在终止前提餍足时,反复程序2)~程序4)[7]。
  3  尝试了局和剖析
  1) 数据预处置。本文切磋使用Landsat TM图像,将武汉市作为切磋中心。图像包罗1 000[×]1 000个像素点。议决处置之后获得如图5所示的合成图。
  2) 创建BP神经网络。以BP神经网络基本模子创建单隐层三层BP神经网络。输入层神经元节点数为特性样本点数,隐含层配置成为10个神经元,输出层配置為三维矩阵[1 0 0],[0 1 0],[0 0 1]。
  3) BP神经网络仿真和训练。议决预处置待分类图像加载到已经训练之后的BP神经网络模子中,行使网络印象才力兑现图像中各异地物的分类和辨认。三种各异地物样本如图6所示。
  4) 神经网络仿真和训练。此切磋过程中配置遗传算法的参数为:最大的遗传代数配置为20,种群的巨细为10,变量二进制位数配置为15,交织几率配置为0.3,变异几率配置为0.1,代沟配置为0.95。
  图7为本文切磋要领的分类效率,图8为SVM决议计划树的分类效率。
  议决图7和图8能够看出,使用遗传算法分类图可以清晰地对长江中的桥进行辨认,可是SVM图中桥辨认效率不如遗传算法,导致桥面在水中拥堵。别的,也可以行使种别精度对分类效率进行剖析。
  种别精度是行使分类图像中种别而且参考图像中响应种别对比兑现的,表现为搅浑矩阵[8]。表1为精度评定了局。
  4  结  论
  一直以来,议决神经网络兑现遥感图像分类都是遥感范畴中切磋的重点。LVQ神经网络布局比力简略,而且具备部分搜罗及急剧拘谨的才力,被普遍应用到多范畴中。在尺度LVQ神经网络作为根本所成长的LVQ2神经网络可以对类间搅浑进行处置,以是可以在遥感图像分类中使用。可是,LVQ2神经网络对付初值较为敏锐,各异初值对付分类了局具有较大的影响,遗传算法属于自顺应开导式的全局寻优算法,具备较强的通用优化才力与鲁棒性。本文使用遗传算法获得LVQ2神经网络初始权值,而且议决实地遥感图像分类,与传统分类兑现综合性对照,证明此要领可以使LVQ2神经网络对付初值敏锐性贬低,使遥感图像分类精度获得提高。
  参考文献
  [1] 杨剑,宋超峰,宋文爱,等.基于遗传算法的混沌RBF神经网络对遥感图像分类[J].小型微型谋略机体系,2018,12(3):621?624.
  [2] 李隽,王伟.遗传算法优化神经网络在图像指标辨认中的应用切磋[J].当代电子技艺,2017,40(20):111?113.
  [3] 谢丽蓉,王晋瑞,穆塔里夫·阿赫迈德,等.基于LVQ?GA?BP神经网络的煤矿瓦斯涌出量展望[J].煤矿安好,2017,48(12):85?86.
  [4] 包龙生,叶学峰,李强,等.基于遗传算法的神经网络在桩基检测中的应用切磋[J].公路交通科技(应用技艺版),2017,21(3):236?239.
  [5] 梁思琦,柳炳祥,杨怡涵.一种基于遗传算法优化神经网络的古陶瓷分类要领[J].信息与电脑(理论版),2018(12):18?22.
  [6] 金修鹏,李春生.基于遗传算法的BP神经网络在水利定额编制中的应用[J].水电能源科学,2018,14(2):156?159.
  [7] 杨怡涵,柳炳祥.一种基于遗传算法优化BP神经网络的陶瓷原料分类要领[J].陶瓷学报,2018,39(3):85?86.
  [8] 墨蒙,赵龙章,龚嫒雯,等.基于遗传算法优化的BP神经网络切磋应用[J].当代电子技艺,2018,41(9):41?44.
  作者简介:邓凌云(1982—),女,重庆忠县人,硕士,讲师,首要切磋偏向为旌旗灯号处置。
转载请注明来源。原文地址:https://www.7428.cn/page/2020/0405/87310/
 与本篇相关的热门内容: