[發明專利]一種改進型的神經網絡高光譜遙感影像分類方法

有效

• 申請號: 201210343889.4
• 申請日: 2012-09-17
• 公開（公告）號: CN102915445A
• 公開（公告）日: 2013-02-06
• 發明（設計）人: 郭寶峰;陳華杰;谷雨;毛文斌;彭冬亮;劉俊;郭云飛;左燕
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/12
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 杜軍

1.?一種改進型的神經網絡高光譜遙感影像分類方法，其特征在于該方法包括以下步驟：

1)高光譜數據的預處理；

將光譜影像各個波段以灰度圖實現顯示，對各個波段的光譜影像進行目視檢查，確定由于大氣吸收、折射和散射因素的作用對光譜數據產生較大影響的異常波段和由于其他因素對光譜數據產生較大噪聲的異常波段，對異常波段做直接剔除處理；

2)PAC主成分分析；

PCA主成分分析，其步驟如下：

第一步，設原始空間數據B的維數是???????????????????????????????????????????????，其中是數據所包含的波段維數，、是高光譜數據的空間維數；在進行PCA變換之前，事先將原始空間數據B轉化為形式為的觀測樣本數據集，其中是一維像元總個數；

第二步，計算觀測樣本數據集各波段的均值和協方差矩陣：，；

第三步，通過求解特征方程來獲得協方差矩陣的特征值和特征向量:,其中是單位矩陣；

第四步：對特征值進行降序排列，即，其相對應的特征向量為；可以得到PCA變換矩陣：,為向量矩陣，并變換矩陣滿條件：；最終的PCA變換可以表示成:，其中為觀測樣本數據集，是變換后的數據，，，…，，并且的第一個分量的方差是最大的，第二個分量的方差次之，排在前面的幾個主要成分包含了數據的大部分信息；

3)訓練樣本準備；

依據先驗知識，在每個地物類別區域內，隨機的選取一定比例的訓練樣本；每個二分類問題，可組成訓練樣本集，，，其中為維輸入向量，也即維訓練樣本，為第個樣本的樣本標簽，1表示目標數據，0表示背景數據，為選取的訓練樣本總數；

4）神經網絡的分類器設計；

采用基于BP算法的多層前饋神經網絡對遙感數據進行分類；它是利用誤差反傳算法作為其學習規則進行有監督學習的前饋網絡；把待分類的地物對象的條件集合或特征組合作為BP網絡的輸入模式，并給出期望輸出模式；采用BP算法的多層感知器由三層組成：輸入層、隱含層、輸出層；

第一步：數據選擇和歸一化；

首先，將輸入、輸出數據歸一化；使用[pn,minp,maxp,tn,mint,

maxt]?=?premnmx(p,t)函數作歸一化處理，其中p，t分別為原始輸入和輸出數據，minp和maxp分別為p中的最小值和最大值；mint和maxt分別為t的最小值和最大值，pn和tn分別表示歸一化之后的輸入、輸出數據；premnmx函數用于將網絡的輸入數據或輸出數據進行歸一化，歸一化后的數據將分布在[-1,1]區間內；數據歸一化后，有量綱的表達式化為無量綱的表達式成為純量；

第二步：建立神經網絡和訓練網絡；

其次，調用神經網絡工具箱newff函數新建網絡，其表達式為：net=newff(minmax(pn),[hidden_neuron,2],{'logsig','logsig','logsig'},'traingdx')，其中minmax(pn)是矩陣Rx2的最小和最大輸入向量；hidden_neuron是神經網絡的隱含層層數，2表示網絡的輸出只有兩個輸出0和1，logsig表示傳遞函數：，traingdx表示學習率可變的動量BP算法；設置好相應參數后，調用函數net=train(net,pn,t)開始訓練網絡，使之達到要求；

第三步：預測結果；

網絡訓練好之后，對數據進行分類與預測，調用函數Result_Data=sim(net,p2n)，最后輸出結果；其中，函數sim表示預測函數，net為訓練好的網絡，p2n為歸一化后的待分數據；

5）遺傳算法優化神經網絡權值和閾值；

第一步、種群初始化；

按神經網絡生成初始權重辦法，來生成網絡的權重，其任一組完整的神經網絡權重為：，相當于一個染色體，這樣的染色體共有個，即種群規模；而權重采用浮點編碼，以后的遺傳算子都是浮點編碼的形式；其中的輸入層權值、隱藏層權值、輸出層權值，以及相應各層節點閾值構成了一組完整的網絡權值，該組網絡權重可作為一條染色體；

第二步、適應度函數；

BP網絡的一個重要性能指標就是網絡的實際輸出與期望輸出之間的誤差平方和，而越小，則表示網絡的性能越好：，式中，表示第個學習樣本第個輸出節點的期望輸出；表示第個學習樣本第個輸出節點的實際輸出；在遺傳算法中，通過適應度函數的大小來體現個體的優劣性，因此，定義評價神經網絡優劣的適應度函數為：，其中C是一常數；由于神經網絡的權值和閾值決定了神經網絡的實際輸出，因此，誤差平方和是網絡權值和閾值的函數；適應度函數是網絡權值和閾值的函數；如此一來，遺傳算法優化的目標就是找到某一權矩陣和閾值矩陣，使得；

第三步、遺傳操作；

假設群體大小為，某個個體為，其適應度為，則其被選取的概率為：；

第四步，交叉運算；

隨機選取兩個個體作為交叉的父代，進過線性組合長生出兩個新的子代：，，其中為區間（0，1）之間隨機長生的操作數，重復操作直到產生個個體；

最后重復計算適應度、選擇、遺傳操作和交叉運算，使權值和閾值不斷修正，直到神經網絡達到迭代次數上限或者誤差達到要求。