摘 ?要： 對(duì)于遙感圖像分類過(guò)程中的問(wèn)題，提出遺傳算法LVQ神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)遙感圖像的分類。將LVQ神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法，使用遺傳算法最優(yōu)閾值與權(quán)值實(shí)現(xiàn)網(wǎng)絡(luò)訓(xùn)練，使分類精度得到提高。之后融合相似灰度值創(chuàng)建分類圖像特征矢量，使特征矢量在神經(jīng)網(wǎng)絡(luò)中輸入實(shí)現(xiàn)訓(xùn)練。學(xué)習(xí)矢量量化神經(jīng)算法對(duì)初值非常敏感，對(duì)遙感圖像分類精度具有一定影響。最后，為了對(duì)性能進(jìn)行測(cè)試，在實(shí)驗(yàn)過(guò)程中對(duì)比本文分類方法和SVM決策樹(shù)分類方法，通過(guò)實(shí)驗(yàn)結(jié)果表示，文中提出的分類方法的遙感圖像分類精度為95.82%，與其他分類方法相比，分類精度得到進(jìn)一步提高。

關(guān)鍵詞： 遙感圖像分類; 遺傳算法; LVQ神經(jīng)網(wǎng)絡(luò); 網(wǎng)絡(luò)訓(xùn)練; 性能測(cè)試; 精度評(píng)估

中圖分類號(hào)： TN911.73?34 ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 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

在現(xiàn)代圖像處理技術(shù)不斷發(fā)展的過(guò)程中，遠(yuǎn)距離遙控圖像目標(biāo)識(shí)別技術(shù)備受人們的重視，此技術(shù)被廣泛應(yīng)用到工業(yè)、探測(cè)和軍事領(lǐng)域中。神經(jīng)網(wǎng)絡(luò)分類方法被廣泛應(yīng)用到圖像目標(biāo)識(shí)別和遙感圖像分類過(guò)程中，但是此方法存在局部最佳解與識(shí)別效率比較低的問(wèn)題。從70年代開(kāi)始，遙感圖像分類都是遙感技術(shù)和相應(yīng)領(lǐng)域?qū)W者所重視的問(wèn)題。在現(xiàn)代遙感圖像分類過(guò)程中主要使用模糊數(shù)學(xué)分類法、統(tǒng)計(jì)模式識(shí)別法、語(yǔ)句法、模式識(shí)別法[1]。目前，人工神經(jīng)網(wǎng)絡(luò)（ANN）在遙感圖像分類過(guò)程中廣泛使用，主要包括自組織特征映射、BP和ART等。在1990年，Kohonen提出了學(xué)習(xí)矢量量化（LVQ）算法，能夠?qū)崿F(xiàn)聚類中心的監(jiān)督和學(xué)習(xí)，也能夠使此中心代表數(shù)據(jù)都?xì)w類到中心所屬類別中。但是常用LVQ神經(jīng)網(wǎng)絡(luò)存在部分問(wèn)題，比如具有未被充分使用的神經(jīng)元，并且算法對(duì)于初值比較敏感，也就是假如選擇初值偏差比較大，就不會(huì)具有良好聚類效果，對(duì)遙感圖像分類精度造成影響[2]。為了使上述問(wèn)題得到解決，本文提出使用遺傳算法對(duì)LVQ神經(jīng)網(wǎng)絡(luò)初始值進(jìn)行優(yōu)化，利用量化共軛梯度方法對(duì)標(biāo)準(zhǔn)BP算法進(jìn)行改進(jìn)，使用遺傳算法（GA）對(duì)BP網(wǎng)絡(luò)隱層神經(jīng)元數(shù)量和初始權(quán)重進(jìn)行優(yōu)化，實(shí)現(xiàn)快速搜索網(wǎng)絡(luò)最優(yōu)解，使BP網(wǎng)絡(luò)局限性問(wèn)題得到解決，從而能夠迅速得到最佳網(wǎng)絡(luò)初始權(quán)值向量。

1 ?標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)算法局限性

1.1 ?BP網(wǎng)絡(luò)誤差權(quán)空間分析

BP神經(jīng)網(wǎng)絡(luò)誤差指的是各層權(quán)重與輸入樣本數(shù)據(jù)的函數(shù)，簡(jiǎn)單表示為：

[E=F（X，W，θ，T）]

即多維空間復(fù)雜曲面，此多維空間就是誤差權(quán)空間，二維權(quán)空間誤差曲面如圖1所示。

通過(guò)圖1可以看出，誤差曲面分布的主要特點(diǎn)有兩個(gè)，也就是標(biāo)準(zhǔn)BP算法典型的局限性：

1） 在誤差曲面中部分區(qū)域較為平坦，這時(shí)誤差對(duì)于權(quán)重變化并不敏感，誤差的梯度變化比較小，調(diào)整的時(shí)間比較長(zhǎng)，收斂速度較為緩慢。

2） 網(wǎng)絡(luò)訓(xùn)練過(guò)程中會(huì)陷入局部極小點(diǎn)，相關(guān)研究表示，在BP網(wǎng)絡(luò)尋優(yōu)過(guò)程中與網(wǎng)絡(luò)初始點(diǎn)權(quán)重具有較大的關(guān)系，假如初始點(diǎn)和全局最優(yōu)點(diǎn)比較接近，網(wǎng)絡(luò)就會(huì)收斂到全局最優(yōu)解。

1.2 ?BP網(wǎng)絡(luò)隱層神經(jīng)元數(shù)量

利用增加隱層神經(jīng)元數(shù)量提高誤差精度，其訓(xùn)練效果比增加網(wǎng)絡(luò)層數(shù)更加容易調(diào)整與觀察。將有限輸入模式映射到輸出模式中，并不需要大量隱層神經(jīng)元。但是目前如何選擇隱層神經(jīng)元數(shù)量并沒(méi)有良好解析式，都是以實(shí)驗(yàn)或者前人設(shè)計(jì)經(jīng)驗(yàn)進(jìn)行確定。為了使上述BP網(wǎng)絡(luò)局限性問(wèn)題得到解決，本文利用遺傳算法和LVQ神經(jīng)網(wǎng)絡(luò)相互結(jié)合進(jìn)行實(shí)現(xiàn)[3]。

2 ?遺傳算法LVQ神經(jīng)網(wǎng)絡(luò)的原理和算法

2.1 ?LVQ神經(jīng)網(wǎng)絡(luò)

學(xué)習(xí)矢量量化LVQ神經(jīng)網(wǎng)絡(luò)是由Kohonen提出的，能夠?qū)崿F(xiàn)模式分類的監(jiān)督自組織神經(jīng)網(wǎng)絡(luò)模型，能夠指定輸入分到哪個(gè)類中。LVQ網(wǎng)絡(luò)通過(guò)輸出層、輸入層構(gòu)成，輸入層只能實(shí)現(xiàn)輸入樣本的接收，輸出層屬于競(jìng)爭(zhēng)層，能夠?qū)崿F(xiàn)輸入樣本的聚類，此兩層神經(jīng)元相互連接。LVQ神經(jīng)網(wǎng)絡(luò)其實(shí)就是改進(jìn)的傳統(tǒng)K?近鄰分類器，能夠使K?近鄰分類器有大量空間存儲(chǔ)全部訓(xùn)練樣本和長(zhǎng)時(shí)間分類的問(wèn)題得到解決，并且網(wǎng)絡(luò)學(xué)習(xí)速度比較快[4]。LVQ的神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)如圖2所示。

LVQ學(xué)習(xí)算法步驟如下：

1） 假設(shè)訓(xùn)練樣本集設(shè)置為[A]，訓(xùn)練樣本為[X=[x1，x2，…，xp]T]，[X]所屬的類別為[r]，輸出層神經(jīng)元[j]初始權(quán)值矢量表示為[Wj]，學(xué)習(xí)步長(zhǎng)設(shè)置為[η]（0），[T]表示最大的迭代次數(shù)，[ε]指的是允許誤差。

2） 輸入矢量[X]，在輸出陣列中尋找和[X]具備最近匹配神經(jīng)元，表示為[i]，神經(jīng)元[i]的類別表示為[Ci]。

3） 調(diào)整權(quán)值：

假如[r=Ci]，則：

[Wi（t+1）=Wi（t）+η（t）[X-Wi（t）]]

假如[r≠Ci]，則：

[Wi（t+1）=Wi（t）-η（t）[X-Wi（t）]]

式中學(xué)習(xí)步長(zhǎng)[η（t）]在0～1之間，能夠?qū)W(wǎng)絡(luò)權(quán)值趨于無(wú)限大進(jìn)行抑制。

4） 通過(guò)訓(xùn)練樣本集選擇下個(gè)輸入矢量，提供給LVQ網(wǎng)絡(luò)，返回步驟2），直到全部矢量都能夠提供一遍。

5） 對(duì)停止條件是否滿足進(jìn)行測(cè)試，假如滿足則停止訓(xùn)練，否則降低學(xué)習(xí)步長(zhǎng)，返回到步驟2）[5]。

通過(guò)上述策略表示，在被選中輸出神經(jīng)元[i]所對(duì)應(yīng)類別與輸出矢量[X]一樣時(shí)，權(quán)向量就會(huì)越來(lái)越接近輸入矢量。相反，就會(huì)偏離。所以，LVQ網(wǎng)絡(luò)本質(zhì)就是聚類。

LVQ網(wǎng)絡(luò)是基于LVQ神經(jīng)網(wǎng)絡(luò)，為了使分類性能得到提高，從而對(duì)類間混疊模式分類問(wèn)題進(jìn)行處理，其能夠設(shè)計(jì)降低分類錯(cuò)誤的Bayes分類器，其不僅能夠充分考慮和某個(gè)輸入向量[X]最優(yōu)匹配神經(jīng)元[Wk]，并且還會(huì)對(duì)次優(yōu)匹配神經(jīng)元[Wr]進(jìn)行考慮。假如以下三個(gè)條件都能夠滿足，算法就會(huì)調(diào)整[Wk]與[Wr]，否則就根據(jù)標(biāo)準(zhǔn)LVQ算法對(duì)[Wk]進(jìn)行調(diào)整。

1） [Wk]和[Wr]為不同分類;

2） [Wr]和[X]代表同個(gè)分類;

3） [Wk]和[Wr]到[X]的距離是一樣的。

調(diào)整的公式為：

[Wk（t+1）=Wk（t）-η（t）[X-Wk（t）]Wr（t+1）=Wr（t）-η（t）[X-Wr（t）]]

LVQ2算法利用對(duì)兩個(gè)權(quán)向量[Wk]和[Wr]進(jìn)行考察，能夠促進(jìn)算法的收斂。

LVQ2神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和算法優(yōu)勢(shì)能夠快速收斂，局部搜索能力良好。但是存在的主要問(wèn)題就是初值敏感，假如選擇初值偏差比較大，就無(wú)法出現(xiàn)良好聚類效果，以此降低分類精度。為了解決LVQ2算法對(duì)于初值敏感性，本文使用遺傳算法改進(jìn)LVQ2算法，得到神經(jīng)網(wǎng)絡(luò)初始權(quán)值。

2.2 ?遺傳算法

利用遺傳算法優(yōu)化權(quán)值和閾值的過(guò)程為：首先通過(guò)GA搜索網(wǎng)絡(luò)近似最優(yōu)與最優(yōu)的閾值和連續(xù)權(quán)重，然后通過(guò)RBF調(diào)整最終的權(quán)重。在評(píng)估所有染色體之后，通過(guò)算法的選擇，提取當(dāng)前染色體創(chuàng)建中間群體。本文在對(duì)算子選擇過(guò)程中利用排序算法進(jìn)行輪盤選擇。最后，通過(guò)中間種群染色體的交叉算子與突變算法創(chuàng)建下個(gè)群體，通過(guò)選擇評(píng)估，復(fù)制兩者為全新的染色體，評(píng)估全部的染色體和再現(xiàn)的程序，直到停止標(biāo)準(zhǔn)得到滿足。遺傳算法的優(yōu)化流程如圖3所示。

首先，初始化圖像數(shù)據(jù)，之后，利用測(cè)量總均方誤差值對(duì)每個(gè)染色體適應(yīng)度進(jìn)行評(píng)估：

[Xj=tanh（i=1nxiwji+wjo）y=i=1nxiwji+wko]

式中：[xi]指的是輸入變量值;[wji]指的是輸入連接權(quán)重[6]。

2.3 ?神經(jīng)網(wǎng)絡(luò)訓(xùn)練

通過(guò)遺傳算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟如圖4所示。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟具體如下：

1） 初始化群體。GA為種群染色體，染色體相對(duì)應(yīng)需求可變數(shù)組。那么，[h]隱藏節(jié)點(diǎn)也就是染色體，并且能夠初始化徑向中心作為隨機(jī)值。染色體公式表示為：

[C=[c1，c2，…，ch]]

群體中的染色體一共有[Npop]條。

2） 計(jì)算適應(yīng)度。以RBF響應(yīng)評(píng)估[Npop]條染色體適應(yīng)性值，本文的最小平方誤差為基函數(shù)。

[δ（t）=12d（t）-y（t）2]

式中：[d（t）]是指利用訓(xùn)練集得到的期望輸出;[y（t）]是指利用網(wǎng)絡(luò)在測(cè)試數(shù)據(jù)中得到的輸出。

3） 選擇。[Npop]染色體通過(guò)適應(yīng)度函數(shù)，以降序的方式排列，將最好的染色體進(jìn)行保存，丟棄其他的染色體。將幸存的群體作為[Nkeep]，從中選擇兩名雙親生成彈簧。本文在雙親中使用加權(quán)等級(jí)，將其作為概率方法，利用染色體[n]對(duì)染色體概率計(jì)算為：

[Pn=Nkeep-n+1n=1Nkeepn]

選擇最高概率的兩條頂級(jí)染色體進(jìn)行交叉。

4） 突變。此屬于遺傳算法，主要應(yīng)用到組合信息中，能夠產(chǎn)生全新彈簧，基于兩個(gè)父母組合信息，產(chǎn)生全新彈簧決定交叉率。

5） 在終止條件滿足時(shí)，重復(fù)步驟2）～步驟4）[7]。

3 ?實(shí)驗(yàn)結(jié)果和分析

1） 數(shù)據(jù)預(yù)處理。本文研究使用Landsat TM圖像，將武漢市作為研究中心。圖像包括1 000[×]1 000個(gè)像素點(diǎn)。通過(guò)處理之后得到如圖5所示的合成圖。

2） 創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)。以BP神經(jīng)網(wǎng)絡(luò)基本模型創(chuàng)建單隱層三層BP神經(jīng)網(wǎng)絡(luò)。輸入層神經(jīng)元節(jié)點(diǎn)數(shù)為特征樣本點(diǎn)數(shù)，隱含層設(shè)置成為10個(gè)神經(jīng)元，輸出層設(shè)置為三維矩陣[1 0 0]，[0 1 0]，[0 0 1]。

3） BP神經(jīng)網(wǎng)絡(luò)仿真和訓(xùn)練。通過(guò)預(yù)處理待分類圖像加載到已經(jīng)訓(xùn)練之后的BP神經(jīng)網(wǎng)絡(luò)模型中，利用網(wǎng)絡(luò)記憶能力實(shí)現(xiàn)圖像中不同地物的分類和識(shí)別。三種不同地物樣本如圖6所示。

4） 神經(jīng)網(wǎng)絡(luò)仿真和訓(xùn)練。此研究過(guò)程中設(shè)置遺傳算法的參數(shù)為：最大的遺傳代數(shù)設(shè)置為20，種群的大小為10，變量二進(jìn)制位數(shù)設(shè)置為15，交叉概率設(shè)置為0.3，變異概率設(shè)置為0.1，代溝設(shè)置為0.95。

圖7為本文研究方法的分類效果，圖8為SVM決策樹(shù)的分類效果。

通過(guò)圖7和圖8可以看出，使用遺傳算法分類圖能夠清楚地對(duì)長(zhǎng)江中的橋進(jìn)行識(shí)別，但是SVM圖中橋識(shí)別效果不如遺傳算法，導(dǎo)致橋面在水中擁堵。另外，也能夠利用類別精度對(duì)分類效果進(jìn)行分析。

類別精度是利用分類圖像中類別并且參考圖像中相應(yīng)類別對(duì)照實(shí)現(xiàn)的，表示為混淆矩陣[8]。表1為精度評(píng)定結(jié)果。

4 ?結(jié) ?論

一直以來(lái)，通過(guò)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)遙感圖像分類都是遙感領(lǐng)域中研究的重點(diǎn)。LVQ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)比較簡(jiǎn)單，并且具備局部搜索及快速收斂的能力，被廣泛應(yīng)用到多領(lǐng)域中。在標(biāo)準(zhǔn)LVQ神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)所發(fā)展的LVQ2神經(jīng)網(wǎng)絡(luò)能夠?qū)︻愰g混淆進(jìn)行處理，所以能夠在遙感圖像分類中使用。但是，LVQ2神經(jīng)網(wǎng)絡(luò)對(duì)于初值較為敏感，不同初值對(duì)于分類結(jié)果具有較大的影響，遺傳算法屬于自適應(yīng)啟發(fā)式的全局尋優(yōu)算法，具備較強(qiáng)的通用優(yōu)化能力與魯棒性。本文使用遺傳算法得到LVQ2神經(jīng)網(wǎng)絡(luò)初始權(quán)值，并且通過(guò)實(shí)地遙感圖像分類，與傳統(tǒng)分類實(shí)現(xiàn)綜合性對(duì)比，表明此方法能夠使LVQ2神經(jīng)網(wǎng)絡(luò)對(duì)于初值敏感性降低，使遙感圖像分類精度得到提高。

參考文獻(xiàn)

[1] 楊劍，宋超峰，宋文愛(ài)，等.基于遺傳算法的模糊RBF神經(jīng)網(wǎng)絡(luò)對(duì)遙感圖像分類[J].小型微型計(jì)算機(jī)系統(tǒng)，2018，12（3）：621?624.

[2] 李雋，王偉.遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)在圖像目標(biāo)識(shí)別中的應(yīng)用研究[J].現(xiàn)代電子技術(shù)，2017，40（20）：111?113.

[3] 謝麗蓉，王晉瑞，穆塔里夫·阿赫邁德，等.基于LVQ?GA?BP神經(jīng)網(wǎng)絡(luò)的煤礦瓦斯涌出量預(yù)測(cè)[J].煤礦安全，2017，48（12）：85?86.

[4] 包龍生，葉學(xué)峰，李強(qiáng)，等.基于遺傳算法的神經(jīng)網(wǎng)絡(luò)在樁基檢測(cè)中的應(yīng)用研究[J].公路交通科技（應(yīng)用技術(shù)版），2017，21（3）：236?239.

[5] 梁思琦，柳炳祥，楊怡涵.一種基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的古陶瓷分類方法[J].信息與電腦（理論版），2018（12）：18?22.

[6] 金修鵬，李春生.基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)在水利定額編制中的應(yīng)用[J].水電能源科學(xué)，2018，14（2）：156?159.

[7] 楊怡涵，柳炳祥.一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的陶瓷原料分類方法[J].陶瓷學(xué)報(bào)，2018，39（3）：85?86.

[8] 墨蒙，趙龍章，龔嬡雯，等.基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)研究應(yīng)用[J].現(xiàn)代電子技術(shù)，2018，41（9）：41?44.

作者簡(jiǎn)介：鄧凌云（1982—），女，重慶忠縣人，碩士，講師，主要研究方向?yàn)樾盘?hào)處理。