遥感图像分类中的遗传算法LVQ神经网络运用

来源:用户上传      作者:

　　摘  要： 对于遥感图像分类过程中的问题，提出遗传算法LVQ神经网络来实现遥感图像的分类。将LVQ神经网络结合遗传算法，使用遗传算法最优阈值与权值实现网络训练，使分类精度得到提高。之后融合相似灰度值创建分类图像特征矢量，使特征矢量在神经网络中输入实现训练。学习矢量量化神经算法对初值非常敏感，对遥感图像分类精度具有一定影响。最后，为了对性能进行测试，在实验过程中对比本文分类方法和SVM决策树分类方法，通过实验结果表示，文中提出的分类方法的遥感图像分类精度为95.82%，与其他分类方法相比，分类精度得到进一步提高。
　　关键词： 遥感图像分类; 遗传算法; LVQ神经网络; 网络训练; 性能测试; 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
　　在现代图像处理技术不断发展的过程中，远距离遥控图像目标识别技术备受人们的重视，此技术被广泛应用到工业、探测和军事领域中。神经网络分类方法被广泛应用到图像目标识别和遥感图像分类过程中，但是此方法存在局部最佳解与识别效率比较低的问题。从70年代开始，遥感图像分类都是遥感技术和相应领域学者所重视的问题。在现代遥感图像分类过程中主要使用模糊数学分类法、统计模式识别法、语句法、模式识别法[1]。目前，人工神经网络（ANN）在遥感图像分类过程中广泛使用，主要包括自组织特征映射、BP和ART等。在1990年，Kohonen提出了学习矢量量化（LVQ）算法，能够实现聚类中心的监督和学习，也能够使此中心代表数据都归类到中心所属类别中。但是常用LVQ神经网络存在部分问题，比如具有未被充分使用的神经元，并且算法对于初值比较敏感，也就是假如选择初值偏差比较大，就不会具有良好聚类效果，对遥感图像分类精度造成影响[2]。为了使上述问题得到解决，本文提出使用遗传算法对LVQ神经网络初始值进行优化，利用量化共軛梯度方法对标准BP算法进行改进，使用遗传算法（GA）对BP网络隐层神经元数量和初始权重进行优化，实现快速搜索网络最优解，使BP网络局限性问题得到解决，从而能够迅速得到最佳网络初始权值向量。 　　1  标准神经网络算法局限性
　　1.1  BP网络误差权空间分析
　　BP神经网络误差指的是各层权重与输入样本数据的函数，简单表示为：
　　[E=F（X，W，θ，T）]
　　即多维空间复杂曲面，此多维空间就是误差权空间，二维权空间误差曲面如图1所示。
　　通过图1可以看出，误差曲面分布的主要特点有两个，也就是标准BP算法典型的局限性：
　　1） 在误差曲面中部分区域较为平坦，这时误差对于权重变化并不敏感，误差的梯度变化比较小，调整的时间比较长，收敛速度较为缓慢。
　　2） 网络训练过程中会陷入局部极小点，相关研究表示，在BP网络寻优过程中与网络初始点权重具有较大的关系，假如初始点和全局最优点比较接近，网络就会收敛到全局最优解。
　　1.2  BP网络隐层神经元数量
　　利用增加隐层神经元数量提高误差精度，其训练效果比增加网络层数更加容易调整与观察。将有限输入模式映射到输出模式中，并不需要大量隐层神经元。但是目前如何选择隐层神经元数量并没有良好解析式，都是以实验或者前人设计经验进行确定。为了使上述BP网络局限性问题得到解决，本文利用遗传算法和LVQ神经网络相互结合进行实现[3]。
　　2  遗传算法LVQ神经网络的原理和算法
　　2.1  LVQ神经网络
　　学习矢量量化LVQ神经网络是由Kohonen提出的，能够实现模式分类的监督自组织神经网络模型，能够指定输入分到哪个类中。LVQ网络通过输出层、输入层构成，输入层只能实现输入样本的接收，输出层属于竞争层，能够实现输入样本的聚类，此两层神经元相互连接。LVQ神经网络其实就是改进的传统K?近邻分类器，能够使K?近邻分类器有大量空间存储全部训练样本和长时间分类的问题得到解决，并且网络学习速度比较快[4]。LVQ的神经网络基本结构如图2所示。
　　LVQ学习算法步骤如下：
　　1） 假设训练样本集设置为[A]，训练样本为[X=[x1，x2，…，xp]T]，[X]所属的类别为[r]，输出层神经元[j]初始权值矢量表示为[Wj]，学习步长设置为[η]（0），[T]表示最大的迭代次数，[ε]指的是允许误差。
　　2） 输入矢量[X]，在输出阵列中寻找和[X]具备最近匹配神经元，表示为[i]，神经元[i]的类别表示为[Ci]。
　　3） 调整权值：
　　假如[r=Ci]，则：
　　[Wi（t+1）=Wi（t）+η（t）[X-Wi（t）]]
　　假如[r≠Ci]，则：
　　[Wi（t+1）=Wi（t）-η（t）[X-Wi（t）]]
　　式中学习步长[η（t）]在0～1之间，能够对网络权值趋于无限大进行抑制。
　　4） 通过训练样本集选择下个输入矢量，提供给LVQ网络，返回步骤2），直到全部矢量都能够提供一遍。
　　5） 对停止条件是否满足进行测试，假如满足则停止训练，否则降低学习步长，返回到步骤2）[5]。
　　通过上述策略表示，在被选中输出神经元[i]所对应类别与输出矢量[X]一样时，权向量就会越来越接近输入矢量。相反，就会偏离。所以，LVQ网络本质就是聚类。
　　LVQ网络是基于LVQ神经网络，为了使分类性能得到提高，从而对类间混叠模式分类问题进行处理，其能够设计降低分类错误的Bayes分类器，其不仅能够充分考虑和某个输入向量[X]最优匹配神经元[Wk]，并且还会对次优匹配神经元[Wr]进行考虑。假如以下三个条件都能够满足，算法就会调整[Wk]与[Wr]，否则就根据标准LVQ算法对[Wk]进行调整。
　　1） [Wk]和[Wr]为不同分类;
　　2） [Wr]和[X]代表同个分类;
　　3） [Wk]和[Wr]到[X]的距离是一样的。
　　调整的公式为：
　　[Wk（t+1）=Wk（t）-η（t）[X-Wk（t）]Wr（t+1）=Wr（t）-η（t）[X-Wr（t）]]
　　LVQ2算法利用对两个权向量[Wk]和[Wr]进行考察，能够促进算法的收敛。
　　LVQ2神经网络的设计和算法优势能够快速收敛，局部搜索能力良好。但是存在的主要问题就是初值敏感，假如选择初值偏差比较大，就无法出现良好聚类效果，以此降低分类精度。为了解决LVQ2算法对于初值敏感性，本文使用遗传算法改进LVQ2算法，得到神经网络初始权值。
　　2.2  遗传算法
　　利用遗传算法优化权值和阈值的过程为：首先通过GA搜索网络近似最优与最优的阈值和连续权重，然后通过RBF调整最终的权重。在评估所有染色体之后，通过算法的选择，提取当前染色体创建中间群体。本文在对算子选择过程中利用排序算法进行轮盘选择。最后，通过中间种群染色体的交叉算子与突变算法创建下个群体，通过选择评估，复制两者为全新的染色体，评估全部的染色体和再现的程序，直到停止标准得到满足。遗传算法的优化流程如图3所示。
　　首先，初始化图像数据，之后，利用测量总均方误差值对每个染色体适应度进行评估：
　　[Xj=tanh（i=1nxiwji+wjo）y=i=1nxiwji+wko]
　　式中：[xi]指的是输入变量值;[wji]指的是输入连接权重[6]。
　　2.3  神经网络训练
　　通过遗传算法对RBF神经网络训练步骤如图4所示。
　　神經网络训练步骤具体如下：
　　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]隐藏节点也就是染色体，并且能够初始化径向中心作为随机值。染色体公式表示为： 　　[C=[c1，c2，…，ch]]
　　群体中的染色体一共有[Npop]条。
　　2） 计算适应度。以RBF响应评估[Npop]条染色体适应性值，本文的最小平方误差为基函数。
　　[δ（t）=12d（t）-y（t）2]
　　式中：[d（t）]是指利用训练集得到的期望输出;[y（t）]是指利用网络在测试数据中得到的输出。
　　3） 选择。[Npop]染色体通过适应度函数，以降序的方式排列，将最好的染色体进行保存，丢弃其他的染色体。将幸存的群体作为[Nkeep]，从中选择两名双亲生成弹簧。本文在双亲中使用加权等级，将其作为概率方法，利用染色体[n]对染色体概率计算为：
　　[Pn=Nkeep-n+1n=1Nkeepn]
　　选择最高概率的两条顶级染色体进行交叉。
　　4） 突变。此属于遗传算法，主要应用到组合信息中，能够产生全新弹簧，基于两个父母组合信息，产生全新弹簧决定交叉率。
　　5） 在终止条件满足时，重复步骤2）～步骤4）[7]。
　　3  实验结果和分析
　　1） 数据预处理。本文研究使用Landsat TM图像，将武汉市作为研究中心。图像包括1 000[×]1 000个像素点。通过处理之后得到如图5所示的合成图。
　　2） 创建BP神经网络。以BP神经网络基本模型创建单隐层三层BP神经网络。输入层神经元节点数为特征样本点数，隐含层设置成为10个神经元，输出层设置為三维矩阵[1 0 0]，[0 1 0]，[0 0 1]。
　　3） BP神经网络仿真和训练。通过预处理待分类图像加载到已经训练之后的BP神经网络模型中，利用网络记忆能力实现图像中不同地物的分类和识别。三种不同地物样本如图6所示。
　　4） 神经网络仿真和训练。此研究过程中设置遗传算法的参数为：最大的遗传代数设置为20，种群的大小为10，变量二进制位数设置为15，交叉概率设置为0.3，变异概率设置为0.1，代沟设置为0.95。
　　图7为本文研究方法的分类效果，图8为SVM决策树的分类效果。
　　通过图7和图8可以看出，使用遗传算法分类图能够清楚地对长江中的桥进行识别，但是SVM图中桥识别效果不如遗传算法，导致桥面在水中拥堵。另外，也能够利用类别精度对分类效果进行分析。
　　类别精度是利用分类图像中类别并且参考图像中相应类别对照实现的，表示为混淆矩阵[8]。表1为精度评定结果。
　　4  结  论
　　一直以来，通过神经网络实现遥感图像分类都是遥感领域中研究的重点。LVQ神经网络结构比较简单，并且具备局部搜索及快速收敛的能力，被广泛应用到多领域中。在标准LVQ神经网络作为基础所发展的LVQ2神经网络能够对类间混淆进行处理，所以能够在遥感图像分类中使用。但是，LVQ2神经网络对于初值较为敏感，不同初值对于分类结果具有较大的影响，遗传算法属于自适应启发式的全局寻优算法，具备较强的通用优化能力与鲁棒性。本文使用遗传算法得到LVQ2神经网络初始权值，并且通过实地遥感图像分类，与传统分类实现综合性对比，表明此方法能够使LVQ2神经网络对于初值敏感性降低，使遥感图像分类精度得到提高。
　　参考文献
　　[1] 杨剑，宋超峰，宋文爱，等.基于遗传算法的模糊RBF神经网络对遥感图像分类[J].小型微型计算机系统，2018，12（3）：621?624.
　　[2] 李隽，王伟.遗传算法优化神经网络在图像目标识别中的应用研究[J].现代电子技术，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预测[J].煤矿安全，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研究[J].公路交通科技（应用技术版），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方法[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方法[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神经网络研究应用[J].现代电子技术，2018，41（9）：41?44.
　　作者简介：邓凌云（1982—），女，重庆忠县人，硕士，讲师，主要研究方向为信号处理。
转载注明来源:https://www.xzbu.com/8/view-15122296.htm