基于遗传神经网络算法的混合像元分解研究

安徽农学通报，Ａｎｈｕｉ　Ａ　．Ｓｃｉ．Ｂｕｌ１．２００７，１３（１３）：４３—４５　

基于遗传神经网络算法的混合像元分解研究　

齐亚鸣　章剑龙　（安徽师范大学国土资源与旅游学院，安徽芜湖２４１０００）　摘要：混合像元的存在是影响地面物种分类精度的主要因素之一。本文把遗传算法与神经网络算法各自的优点结　合起来，组成一种新的分解模型。对遥感图像数据进行分析，结果表明：使用该模型分解混合像元能得到很好的结　果。　关键词：混合像元；像元分解；神经网络；遗传算法　中图分类号Ｑ４２　文献标识码Ｂ　文章编号１００７—７７３１（２００７ｌ　１３—４３—０３　Ｓｔｕｄｙ　ａｎｄ　Ａｎａｌｙｓｉｓ　ｏｎ　Ｍｉｘｅｄ　Ｐｉｘｅｌ　ｏｆ　Ｇｅｎｅｔｉｃ　ＢＰ　Ｐｒｏｐａｇａｔｉｏｎ　Ａｌｇｏｒｉｔｈｍ　Ｑｉ　Ｙａｒｎｉｎｇ　Ｚｈａｎｇ　Ｊｉａｎｇｌｏｎｇ（Ａｎｈｕｉ　Ｎｏｒｍａｌ　Ｕｎｉｖｅｒｓｉｔｙ，Ｃｏｌｌｅｇｅ　ｏｆ　Ｔｅｒｒｉｔｏｒｉａｌ　Ｒｅｓｏｕｒｃｅｓ　ａｎｄ　Ｔｏｕｒｉｓｍ，Ｗｕｈｕ　２１４０００，　Ａｎｈｕｉ）　Ａｂｓｔｒａｃｔ：Ｔｈｅ　ｅｘｉｓｔ　ｏｆ　ｍｉｘｅｄ　ｐｉｘｅｌ　ｉｓ　ｏｎｅ　ｉｍｐｏｒｔａｎｔ　ｆａｃｔｏｒ　ｏｆ　ｉｎｆｌｕｅｎｃｅ　ａｃｃｕｒａｃｙ　ｏｆ　Ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｉｎ　ｔｈｉｓ　ａｒｔｉｃｌｅ．ｃｏｍｂｉｎｅ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ　ｗｉｔｌｌ　ＢＰ　ｐｒｏｐａｇａｔｉｏｎ　ｔｏ　ａ　ｎｅｗ　ａｎａｌｙｓｉｓ　ｍｏｄｕｌｅ．Ｔｈｅ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｅｆｆｅｃｔｉｖｅ．　Ｋｅｙ　ｗｏｒｄｓ：ｍｉｘｅｄ　ｐｉｘｅｌ，ｐｉｘｅｌ　ａｎａｌｙｓｉｓ，ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ，ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ　多光谱和高光谱遥感图像是以像元为单位来检测和　获取地物信息。由于多光谱和高光谱遥感图像空间分辨　率的限制，一个像元往往覆盖几十甚至几百平方米的地面　范围，在其中可能包含着多种地物类型，这就形成了混合　像元。混合像元问题不仅影响地物识别和分类精度，而且　是遥感技术向定量化发展的重要障碍。如果通过一定方　法，找出组成混合像元的各种典型地物的比例，则可解决　混合像元问题，提高定性和定量遥感精度。　人工神经网络（ＡＮＮ）是一个由大量简单的处理单元　（神经元）广泛联接组成的复合系统，是在现代生物学研　究人脑组织所取得的成果基础上提出的，具有人脑功能的　基本特征：学习、记忆、归纳。它可以处理那些难以用数学　模型描述的系统，有很强的自适应、自学习能力。随着神　经网络的理论及应用的发展。相继提出了多种神经网络模　型。其中，应用最为广泛，目前研究最为深入的，当属ＢＰ　（Ｂａｃｋ　Ｐｒｏｐａｇａｔｉｏｎ）网络。尽管ＢＰ网络得到了广泛的应　用，但ＢＰ算法存在着易进入局部极小点、训练陷入瘫痪等　一系列的问题，使其用于解决实际问题的范围受到限制。　遗传算法（Ｇｅｎｅｔｉｃ　Ａｌｇｏｒｉｔｈｍ。ＧＡ）在一定程度上可以　克服ＢＰ算法的局限性。ＧＡ是一种模拟自然选择和遗传　机制，在计算机上模拟生物进化的自适应概率的全局寻优　搜索算法，是一种新型优化算法。ＧＡ在寻优过程中，可以　在高维可行解空问随机产生多个起始点并同时开始搜索，　以适应度函数来指导搜索方向，因而搜索区域广，上述特　点使ＧＡ成为一种全局性、并行性的优化方法。具有很强　的鲁棒性。但ＧＡ也存着这搜索效率低等。收敛速度慢等　一系列缺点，给实际应用带来了限制。　４３　

在本文中，综合利用遗传算法的全局性及神经网络在　局部寻优方面的高效快速的特性等优点，把遗传算法和神　经网络的混合算法应用到遥感图像混合像元的分解中，并　进行实际应用的检验。　１遗传神经网络混合算法模型　在人工神经网络模型中，只要隐层神经元数充分多，　用三层神经网络（即含一个隐层）可以逼近任何闭区间内　的一个连续函数。三层神经网络的结构如图１所示，其中　输入层、中间隐层和输出层分别包括Ｉ、Ｊ和Ｋ个神经元，　输／　输出层的每个神经元分别对应一个输－Ａ／输出参数。　输入层与隐层之问、隐层与输出层之间通过连接权形成前　馈关系。而输出层和隐层神经元的偏置被看作是输人为常　数１的连接权。输出层和隐层神经元的激活函数采用　Ｓｉｇｍｏｉｄ函数，即ｇ（ｘ）：１／（１＋ｅ　）。　

输入层　隐层　输出层　圈１　三屡的神经网络结构　作者简介：齐亚鸣（１９７９一），男，安徽芜湖人，硕士，研究方向为遥感与ＧＩＳ应用。　

收稿日期：２００７—０６—１３　维普资讯 http://www.cqvip.com ４４　ＢＰ神经网络的学习过程有以下几个步骤：　（１）输入模式由输入层经中间层向输出层“正向传播　输出”。　（２）网络的希望输出与网络实际输出之差的误差信　号由输出层经中间层向输入层逐层修正连接权的“误差逆　传播”。　（３）正向传播和反向传播反复交替进行的网络“记忆　训练”。　（４）网络达到收敛精度时停止训练。　ＢＰ网络的误差函数是以Ｓ型函数为自变量的非线　性函数，这就决定误差函数所构成的连接权空间是存在　多个局部极小点的超曲面。ＢＰ算法是基于梯度下降法　的，由于只采用局部梯度信息，这就可能在斜率最陡的地　方跳过极小值，沿平坦斜率方向下降，从而学习收敛速度　太慢，并且训练前网络结构参数是随机给定，如若初始参　数选择不合理则更容易让网络陷入局部极小点，引起振　荡效应。　遗传算法模仿自然界生物进化的策略，依据适者生　存、优胜劣汰的原则，通过不断的遗传操作把优秀个体的　特性遗传下去，同时在全局的范围内搜寻最优的个体，以　求得满足的最优解，遗传算法是对群体进行操作，所有这　些群体都是随机产生，并且群体中每个个体都对应着权值　已经随机确定的网络结构。遗传算法始终是在整个解空　间中搜索，具有很强的全局搜索能力。　遗传算法的编码形式主要有：二进制编码、浮点数编　码等，由于二进制编码存在固有的缺陷。本文选择浮点数　编码的遗传算法来优化神经网络的连接权值，神经网络的　每一个连接权值作为一个染色体，把所有的连接权值按照　一定的顺序连接起来就组成了反映这个神经网络性质的　基因码链。　在遗传算法的迭代运算过程中，选择操作使每一代的　个体按照适应度比例法确定产生下一代个体的父染色体，　同时为了确保优秀的基因能有效的传递下去，对于每代群　体中最优的个体直接保留到下一代种群中去。交叉操作　采用单点交叉的方式，按照交叉概率在配对的个体中任意　设置交叉点，在交叉点，配对的个体互换部分基因。变异　操作考虑到采用实数编码的方式，变异操作时对基因码链　中的染色体以变异概率用一个小于１的正的随机数替代。　遗传算法、ＢＰ算法相结合来对神经网络进行混合训　练的思路就是先利用遗传算法对初始权值进行优化，在解　空间中定位出一个较好的搜索空间。然后ＢＰ算法在这个　小的解空间中搜索出最优解。这样既克服了ＢＰ算法容易　陷入局部最优又克服了遗传算法在群体规模较大的情况　下收敛较慢的缺点。　遗传神经网络混合像元分解算法的步骤如下：　（１）确定神经网络的结构。输入单元数为遥感图像　的波段数，输出单元数为地物种类数，隐层单元数应大于　输入与输出单元数之和。　（２）确定遗传算法的参数。如选择概率，交叉概率，　变异概率，种群大小，以及终止迭代数等。　（３）初始化种群。　（４）执行遗传算法，进行网络连接权值的全局寻优。　（５）以遗传算法优化得到的权值作为ＢＰ算法的初始　权值，利用ＢＰ算法进行局部寻优。　（６）当神经网络关于权值的误差函数Ｅ值稳定时，训　练结束。对于陷入局部极小点的个体，把它们的权值全部　以小于１的随机数替代，返回４）直到达到训练目标。　２实验与分析　２．１　实验数据为简化计算，本文选用了一个大小为１０　行１０列的图像（Ｌａｎｄｓａｔ　ＥＴＭ＋）作为实验区。通过对同　地区高分辨率图像和实地考察分析，认为实验区内包括三　种主要地物类型，分别是植被、水体、建筑道路用地，参考　图像如图所示。　

图２实验区ＥＴＭ＋图像（Ｒ：５。Ｇ－４。Ｂ：３）　

图３实验区参考图像（仅用主要类别表示）　２．２实验过程（１）对高分辨率图像进行分类，得到各类　地物的面积比例。并假定高分辨率图像无混合像元，把这　些数据作为标准数据精确分类。　（２）对低分辨率的实验区图像利用遗传神经网络算　法进行混合像元分解，得到各类地物比例（见表１）。本文　采用的隐层单元的数目为１０个。遗传算法的参数，根据　经验考虑，取种群规模为８０，交叉概率０．８，变异概率　０．０５，迭代次数为５００次。　（３）对低分辨率的实验区图像不用遗传神经网络算　法，而用传统的ＢＰ神经网络分类方法，得到各类地物比　例。

　维普资讯 http://www.cqvip.com 裹ｌ　

对遗传神经网络分解混合像元结果如图４表示，高度　越高表示在该地点该地物所占比例越大。　

图４遗传神经网络分解混合像元结果　３．３实验结果分析设精度衡量标准为：　

Ｅ＝　（Ｐｔ＜Ｐｓ）　（Ｐｔ≥Ｐｓ）　其中，Ｐｔ表示实验数据、Ｐｓ表示标准数据、Ｅ表示精度。　采用遗传神经网络分解算法与ＢＰ分解算法精度对比如表　２：　表２遗传神经网络分解算法与ＢＰ分解算法精度对比　

通过混合像元分解，总平均分类精度由８６．５％提高　４５　到９２．４％，由此可见遗传神经网络算法使分类的精度明　显提高。在实验过程中，遗传神经网络算法相对于ＢＰ算　法要稳定，在运行１００次的时候，混合算法无一次陷入局　部极小点，而ＢＰ算法有多达５２次陷入局部极小点，导致　训练无法进行下去。　４结语　本文针对遥感图像的特点，将遗传神经网络算法用于　混合像元分解。该算法结合了遗传算法和ＢＰ网络的优　点，很好地解决了ＢＰ算法收敛缓慢，易陷于局部极小的问　题。实验结果表明该方法的收敛性能及学习稳定性优于　ＢＰ神经网络算法，具有寻优的全局性、精确性和快速性。　但遗传算法和神经网络的一些参数是依据实际经验给出，　还没有形成系统的理论依据，需要在这方面做进一步的研　究工作。　参考文献　［１］霍东民，刘高焕，骆剑承．基于ＰＣＭ改进算法的遥感混合像元模　拟分析，遥感学报，２００５，３　［２］潘吴，王晓勇，陈琼．基于遗传算法的ＢＰ神经网络技术的应用，　计算机应用２００５，１２　［３］周吴，王斌，张立明．一种新的遥感图像混合像元分解方法．红外　与毫米波学报，２００５，１２　［４］桂预风，张继贤，林宗坚．基于灰神经网络理论的混合像元分解　方法研究，理论研究，２０００，４　［５］李伟超，宋大猛，陈斌．基于遗传算法的人工神经网络，计算机工　程与设计，２００６，２　［６］饶萍，陈圣波，何月，孙珂．遥感影像像元组分分解模型及其应　用，世界地质，２００６，２　（陈锋校）　

｛上接４０页）关系进一步表明，气孔导度是影响蒸腾速率　及净光合速率的重要原因之一。　：　羹　

时刻　。　图７　花叶蔓长春花蒸腾速率对净光合速率日变化的影响　２．２．６净光合速率日变化与各影响因子相关分析　用　ＤＰＳ软件对测定数据进行相关分析（表１）可以看出：气孔　导度对花叶蔓长春花二者净光合速率的日变化影响最大，　其次为相对湿度和蒸腾速率。　表１　花叶蔓长春花净光合速率日变化与各影响因子相关分析　生理生　气孔　蒸腾　ｃ０２　相对　光合有　净光　态因子　导度　速率　倔强　浓度　湿度　效辐射合速率　气孔导度　ｌ＿００００ｏ　蒸腾速率　ｍ４７６０３　１．００００ｏ　温度　一０．４６ｌ４３　０．４２０６４　１．０００００　（１０２浓度　ｍ　７５４８８　ｍ０６０１２一ｍ４２３５４　ｌ＿０ｃ００Ｏ　相对　ｌ度　ｎ　８：！Ｓ５４一ｎ０３５２７一ｍ　８１７３２　ｍ　７８９８３　ｌ＿０００００　光合有效辐射ｍ　１７２１５　０ｏ９００４３　ｍ５３９６７一ｍ　１３３９３一ｍ２４６６０　１．００００ｏ　３结论　在晴朗的春季，花叶蔓长春花的净光合速率呈单峰曲　线型，在７：００—９：００有一个急速的上升过程，９：００时达到　最高值９．１４　ｕｍｏｌ・ｍ一・Ｓ一，此后又逐渐下降达到最低　值。相关分析结果表明，气孔导度对净光合速率影响最为　明显，其次为相对湿度和蒸腾速率。花叶蔓长春花的光饱　和点均为１０００　ｕｍｏｌ・ｍ一・Ｓ　左右，光补偿点为９．５　ｕｍｏｌ　・ｍ一・ｓ一，光补偿点较低，光饱和点较高，属于阳性植　物，具有一定的耐阴能力，能适应较宽的光照环境。根据　花叶蔓长春花的光合生理特性，可在室外或室内栽植，适　合盆栽或作吊盆，可作为室内观赏植物。　参考文献　［１］黄成林，赵昌恒，傅松玲，等．安徽休宁倭竹光合生理特性的研　究．安徽农业大学学报，２００５，３２（２）：１８７—１９１　［２］朱万泽，王金锡，薛建辉．台湾桤木引种的光合生理特性研究．　西北植物学报，２００４，２４（１１）：２０１２—２０１９　［３］刘桂华．青檀耐阴性的初步研究．经济林研究，１９９６，１４（２０）：７　一ｌ０　［４］高键，吴泽民，彭镇华．滩地杨树光合作用生理生态的研究．林　业科学研究，２００３，１３（２）：１４７—１５２　［５］Ｍｉｔｃｈｅｌｌ　Ａｌｌｅｎ．Ｒｏｂｅｒｔｗ．Ｐｅａｒｃｙ．Ｓｔｏｍａｔａ］ｂｅｈａｖｉｏｒ　ａｎｄ　ｐｈｏｔｏｓｙｎ—　ｔｈｅｔｉｃ　ｐｅｒｆｏｒｍａｎｃｅ　ｕｎｄｅｒ　ｄｙｍａｎｉｃ　ｌｉｇｈｔ　ｒｅｇｉｍｅｓ　ｉｎ　ａ　ｓｅａｓｏｎａｌｌｙ　ｄｒｙ　ｔｏｐｉｃａｌ　ｒａｉｎ　ｆｏｒｅｓ．Ｓｐｒｉｎｇｅｒ—Ｖｅｒｌａｇ　２０００，（１２２）：３—５　（魏凤鳊，汪季涛校）　—　ｎ一　～一