pso―bp模型在遥感影像分类中的应用研究

《pso―bp模型在遥感影像分类中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、PSO―BP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

2、一种新的方法，具有广泛研究价值。中国1/vie　　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

3、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　

4、　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

5、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ax　　ax）*

6、iter；　　end　　式中，itmax=100为最大进化代数，iter为当前进化代数。ax=0.9为初始惯性权值，in=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：　　functionfitness=fitcal（pm，，indim，hiddennum，outdim，D，Ptrain，Ttrain）　

7、　[x，y，z]=size（pm）；　　fori=1：x　　forj=1：hiddennum　　x2i（i，（（j-1）*indim+1）：j*indim，z）；　　end　　fork=1：outdim　　x2l（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：hiddenn

8、um+outdim）'；　　.Ise（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