神经网络应用

人工神经网络在遥感图像分类领域的研究1.ANN概述人工神经网络(Artificialneuralnetwork,ANN)概念是在20世纪40年代中期提出的,70年代得到应用,80年代以来,随着计算机技术的发展而得到了飞速的发展。它属于非线性学科,由于具有强抗干扰、高容错性、并行分布式处理、自组织学习和分类精度高等特点而得到广泛应用。人工神经网络简称神经网络,是由大量简单的处理单元(神经元)连接成的复杂网络,是模仿人的大脑进行数据接收、处理、贮存和传输的一类算式,是以模拟人的神经系统的结构和功能为基础而建立的一种信息处理系统,是人脑的某种抽象、简化和模拟。神经网络可简单地表述为：人工神经网络是一种旨在模仿人脑结构及其功能的信息处理系统。人工神经网络由3个基本要素构成,即处理单元、网络拓扑结构及训练规则。其中处理单元是人工神经网络操作的基本单元，主要模拟人脑神经元的功能；网络拓扑结构决定各处理单元、各层之间信息的传递方式与途径。训练规则又称为学习，是神经网络的一个基本特征，通过反复训练与调整来达到所需要的精度。主要是利用转换函数f(x)对处理数据进行加权及求和并训练网络系统进行模式识别。处理所得的加权和,通过转移函数转换为输出值。分类结果是将获取最大权重的类别指定为输入数据的归属类别。按学习方式可分为有导师及无导师指导两种。ANN训练规则主要有4种,即联想式学习、误差传播学习、概率式学习和竞争式学习。这里仅介绍误差传播学习规则，其中基于BP学习算法在遥感影像的处理和分析中最典型。2.人工神经网络的优势神经网络方法具有传统数值计算方法所没有的一些优点,其最大的优点在于其极强的非线性映射能力。它具有下列优势:(1)计算过程大量并行、高度分布,这使其能高速处理大量数据和求解非常复杂的问题。(2)具有自学习、自适应和自组织能力,它能利用已知类别遥感图像样本集的先验知识,自动提取识别规则。它的自适应能力使其能很好地抵消噪声和信息缺失对最优解的影响。(3)能实现各种非线性映射和求解各种十分复杂和高度非线性的分类和模式识别问题。3.人工神经网络在遥感分类中的研究现状遥感影像主要通过其像元亮度值的差异、色彩(包括色调、饱和度、明度)的差异及其空间梯度变化来表示不同地物间的差异。像元间的亮度及色彩的差异反映地物的光谱信息的差异,而它们的空间梯度变化则反映了地物的空间分布信息,这是遥感影像分类的物理依据。人工神经网络遥感影像分类是通过建立统一框架,实现对影像的视觉识别和并行推理,是近年来发展起来的综合数据分类方法之一。其目标是利用人工神经网络技术的并行分布式知识处理手段,以遥感影像为处理对象,建立基于ANN的遥感影像分类专家系统。目前,人工神经网络技术在遥感图像分类处理中的应用主要有单一的BP(BackPropagation,反向传播)网络、模糊神经网络、多层感知机、学习向量分层-2网络、Kohonen自组织特征分类器、Hybrid学习向量分层网络等多种分类器。这里主要介绍BP网络。BP(BackPropagation,反向传播)网络是由Rumelhart和McCelland等人提出的,是采用误差反传算法作为其学习规则进行有监督学习的前馈网络,它需要相当数量的已知样本进行学习训练,以便找出且记住输入样本模式与分类类别之间的关系。通常把要分类的地物对象的条件集合或特征组合作为BP网络的输入模式,并给出期望输出模式(预测类型)。其结构包括输入层、隐含层和输出层。同一层神经元之间不互连,不同层神经元之间则全互连。神经网络的权重是由前馈或反馈通过若干个神经元(计算元素)相互连接,这些神经元位于隐含层,并通过其连接输入层和输出层。至于隐含层的构造,主要是考虑神经元的个数。隐含层神经元太多或太少都不能使神经网络达到最佳效果,太多会加重网络的负担,延长训练时间,甚至使网络不能收敛;太少会影响信息的容量,网络难以学到知识。可以通过试验来确定能满足要求的隐含层神经元个数。4.人工神经网络在遥感分类领域的应用国内在人工神经网络遥感分类方面的研究有蔡煜东等建立的遥感土地覆盖类型识别的自组织神经树模型,效果较好,并运用三维Kohonen自组织人工神经网络,对黑龙江省松花江地区的土壤类型进行分析和分类。李强等提出了基于三维Hopfield人工神经网络模型的遥感分类方法,将遥感信息分类过程与分类后处理中的平滑过程有机地结合起来,并通过实验证明,该方法可明显提高森林类型划分、土地利用调查等遥感专题应用的分类精度。骆剑承,周成虎等通过BP模型在影像上以一定大小的区域(或窗口)为单元进行空间结构的识别和提取,如线状(如道路、河流)信息提取、纹理结构信息的识别和提取、城市单元结构提取、地物形状信息识别(如军事目标识别)等,并以多层感知器(MLP)为例,探讨了地学知识与ANN融合进行遥感影像分类的方法,对MLP网络结构、学习算法及其改进进行了分析,发展了基于知识的MLP神经网络遥感影像分类模型,并采用基于规则的MLP方法进行了遥感土地覆盖分类实验,把获得的结果与传统统计方法和一般ANN方法进行了综合比较,获得了有意义的结果。贾永红在研究人工神经网络理论的基础上,应用动量法和学习率自适应调整的策略,改变BP神经网络的主要缺点,并比较了先分类后融合与先融合后分类,得出改进的BP神经网络先分类后融合比先融合后分类精度高的结论。杨存建、魏一鸣等人在基于遥感的洪水灾害承灾体神经网络的提取方法探讨中,将人工神经网络用于从遥感图像中提取类型简单的洪水灾害承灾体的空间分布信息,并得到了较高的精度。国外近年来许多研究人员如Kiang、Hepner、McClellan及Howald等使用前向神经网络进行TM影像数据分类。AbdelgadirA.Abuelgasim等将多层前向神经网络应用于美国明尼苏达州,进行土地覆盖类型分类,取得了很好的分类精度,并指出ANN能够很好的从定向辐射测量数据(包含很多有益于土地分类的信息)中进行类别识别。此外HepnerGF等用BP模型对卫星遥感获取的数据进行土地覆盖分类。PMAtkinson和ARLTatnall对多源数据和模糊分类神经网络进行了研究。UBhattacharya和SKParui在遥感影像道路识别中研究了一个改进的反向传播网络,经过实验,取得了很好的分类结果。KaminiKMohanty和TapanJMajumdar用C语言编了一个ANN分类器进行遥感影像分类,分类精度较好。5.人工神经网络遥感分类方法的发展ANN作为一种新兴科学,在遥感分类中的应用尚处于初级阶段,尽管其与传统分类方法相比具有许多优势,但也存在着明显的局限性,如对知识(信息)处理都归结为数值运算,对知识的表达、存储和推理(计算)是隐式的,依赖于学习样本的数量和质量好坏,在学习上收敛速度慢、在收敛过程中存在局部极小、网络记忆不够稳定性等。因此ANN与其他理论、技术相结合是弥补其局限性的一个有效途径。(1)ANN与ES(专家系统)结合,把ANN的形象思维能力与专家系统的逻辑思维能力结合起来,体现出各自的优势,互相弥补各自的不足,实现符号处理和数值处理的结合,这样的人工智能系统在知识的提取、存储、推理和解释等方面更接近人脑,从而提高遥感分类的精度与速度。(2)ANN与传统的分析方法结合起来,如计算机图像分析、回归分析、模糊数学、数理逻辑、拓扑数学、灰色系统、分形分维学、进化计算(遗传算法、进化策略和进化规划)等,建立模糊神经网络、灰色神经网络等,提高ANN遥感分类的精度。(3)ANN与地学知识相融合,形成分布式的网络知识结构,提高影像分类的精度,同时也保障了网络稳定性。遥感影像是具有地学属性的,要揭示更深层的影像地学规律以获得更精确的影像分类和信息提取结果,就需要汇集相关的地学信息和专家知识来模拟地学专家视觉活动和逻辑判断能力来获取对遥感影像的地学认知。(4)ANN与影像融合技术相结合,由于遥感信息的复杂性和不确定性导致样本数据所包含的知识的决策信息是不完全的,因此如果要进一步提高分类的精度,需要融合其它辅助信息来加强网络的决策判别能力,影像融合能够提供这样的辅助信息。