［"］
。其目的在于通过计算机对遥感图像像元进行分类， 达到自动识别地物的目的。随着遥感技术的
发展， 由各种不同遥感器获取的同一地区的多光谱、 多分解力、 多时相的影像数据越来越多， 为自然资源调 查、 环境监测等提供了丰富而又宝贵的资料。但各种单一的遥感手段获取的影像数据在几何、 光谱和空间 分辨率等方面存在着明显的局限性和差异性， 导致其用于分类的能力是有限的。显然， 把他们各自的优势 和互补性结合起来用于分类是非常重要的。信息融合技术是多源信息综合处理的一项技术， 它能将多源 信息加以合成， 产生比单源信息更精确、 更完全的估计和判决。按融合层次可分为： 数据层、 特征层和决策 层融合。目前， 融合系统趋向于采用特征层和决策层融合法， 且主要采用 B<IJG 和 K > 4 融合法。 B<IJG 法 在推进过程中依赖于先验概率的选取， 而且不能处理不确定信息； K > 4 法虽然不需要先验信息且具备很 强的处理不确定性信息的能力， 但这是以较大的计算量为代价换来的。为克服上述缺陷， 寻求一种普遍适 用的、 符合人脑思维形式的融合法是非常必要的。神经网络具有信息的分布式存储、 并行处理、 自学习和 自组织等功能， 并将多源信息特征构成的高维特征空间进行 “整合” 处理即多维信息融合， 用于目标识别无 疑会更加有效。因此， 本文在研究神经网络的基础上， 应用动量法和学习率自适应调整的策略， 改进了 BC 神经网络法。并对同一地区的 /<EFG<H 5;)， D， @ 三波段影像和航空 4.- 影像融合进行了土地利用分类试 验。
"
Байду номын сангаас
收稿日期：!((( > (@ > (!
万方数据 （"TUU > ） 作者简介：贾永红 ， 男， 湖北仙桃人， 副教授， 主要从事遥感图像处理的研究 &
基金项目：国家测绘局测绘科技发展基金资助项目 （TA("@）
第#期
贾永红等
基于 !" 神经网络的多源遥感影像分类
%@
［#］ ［$］ ［%］ 应用 !" 神经网络分类的关键问题涉及网络结构设计、 网络学习等 。在 !" 神经网络结构确定 后， 就可利用输入输出样本集对网络进行训练。即对网络的权值和阈值进行学习和调整， 使网络实现给定
具有一个隐含层的 !" 神经网络结构
*+,’-’.’/0 123+/0 !4" 12,56+7 5’,8 / 8’9921 0/:2+
本文提出采用动量法和学习率自适应调整的策略， 以提高学习率并增强算法的可靠性。 #）初始化权值 ! 和阈值 " # 即把所有权值和阈值都设置成较小的随机数。 包括输入向量和要求的预期输出。 ;）提供训练样本对。 $）计算隐含层和输出层的输出。 对于图 # 来说， 隐含层的输出为 式中 （ ! #! & # ’ " #） $ # % 06(<’( （ ） 是 型函数的对数式。 06(<’( <’(=6’9 输出层的输出为 $ ; % ! ;! $ # ’ " ; 标准的 !" 神经网络的权向量调整公式为 >）调整权值。 （ ( ’ #）% ! （ ( ）’ !) （ (） ! （#） （;）
的输入输出映射关系。其学习过程包括正向传播和反向传播两个过程。在正向传播过程中， 输入信息从 输入层经隐含层逐层处理， 并传向输出层。每一层神经元的状态只影响下一层神经元的状态。如果输出 不能得到期望的输出， 则转入反向传播， 将误差信号沿原来的路径返回。通过修改各层神经元的权值， 使 误差最小。
图# &’() #
表4 采用标准的、 改进的 ’( 神经网络和 ’"7,8 统计融合分类结果 !%& ’&()*+( ,- .*"((/-/."+/,0 #1 (+"02"’2 0&)’"* 34 0&+5,’6， /78’,9&2 0&)’"* 34 0&+5,’6 "02 3"1&(/"0 2"+" -)(/,0
;
改进的 !" 神经网络设计及其用于融合分类试验结果的分析
众所周知， 多层神经网络能够以任意精度逼近任意连续的非线性映射过程的前提是在网络任意大的 情况下成立。 对于给定的问题， 网络的层数取决于问题的要求， 同时直接影响其推广能力。 根据实践经验， 本文选用图 # 的 $ 层 !" 神经网络结构。 其输入层节点数与图像的特征数相同； 输出层节点数与分类类别数 相同； 隐含层节点数视问题的复杂度经试验确定。 一般确定隐节点数的方法采用试探法； 先设定一个数为 隐节点数， 如果训练误差不能下降到所需范围就增加节点数。 如果误差已经很小而分类效果依然很差， 说 万方数据 明隐节点数过多， 此时需适当减少隐节点数。
文章编号："((" > ?"!? （!(("） (" > ((@A > ()
基于 BC 神经网络的多源遥感影像分类
贾永红" ，张春森! ，王爱平"
（" & 武汉大学 遥感信息工程学院， 湖北 武汉 陕西 西安 D)((?(； ! & 西安科技学院 测量工程系， ?"((@D）
摘
要：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， 改进了
:*"((/-1/0; ,- 7)*+/(,)’.&( ’&7,+& (&0(/0; /7";&’1 #"(&2 ,0 34 0&)’"* 0&+5,’6
?Q2 TB*GPEB*G4 ，UV2WS XEN*P,8*& ，Y2WS 2IPKI*G4
（4 ! "#$%%& %’ ()’%*+,-.%) /)0.)11*.)0 ’%* 21+%-1 "1)3.)0 ，45$,) 6).71*3.-8 ， 45$,) /.66A6， 9$.), ； & ! :1;- ! %’ "5*718 /)0.)11*.)0 ，<. ’ ,) 6).71*3.-8 %’ "#.1)#1 Z =1#$)%&%08 ，<. ’ ,) A4660/， 9$.), ）
标准 ’( 神经网络法 改进的 ’( 神经网络 ;/ < ; 慢 ;= < > 快 ’"78, 统计法 ;= < / 较快
!"#$ 4
分类方法 平均分类精度 9 : 分类速度
. 结
论
4）改进的 ’( 神经网络融合分类法采用动量法和学习自适 应调整的策略， 有效地提高了学习速度， 增强了算法的可靠性， 因而提高了影像分类速度。 改进的 ’( 神经网络融合分类法不受土地类型灰度分布的限制， 分 &）同 ’"78, 统计融合分类法相比， 类速度快， 分类精度能同 ’"78, 统计融合分类相媲美。因此更适用于遥感影像土地利用分类。 仅作了初步研究， 很多更深入的问题有待进一步研究。 .）由于受资料限制， 参考文献：
（$） （ ( ’ #） 、 （ (） 分别为 ( ’ #、 （ (） 是 ( 时刻的负梯度。 可见标准的 !" ! ! ( 时刻的权向量， ) ! 是学习率， 算法实质上是一种简单的最速下降静态寻优算法。 在修正权值时， 只按照 ( 时刻的负梯度式进行， 而没有 考虑到以前积累的经验， 从而常常使学习过程发生振荡， 收敛缓慢。 收敛速度与学习率大小有关。 学习率小， 收敛慢； 学习率大， 则有可能修正过头， 导致振荡甚至发散。 本 文采用自适应调整学习率的改进算法如下 （ ( ’ #）% ! （ ( ）’ ! （ (） （ (） ! ) （ ( ）% ;" （ ( * #） ! ! （>） （%）
"
BC 神经网络的基本原理及其改进算法
［! L )］ 就是 B<MNOC=$P<Q<HR$E （反向传播） 算法的简称。 BC 神经网络通常有一个或多个隐含层， 含 BC 算法 ［!］ 有一个隐含层的 BC 神经网络结构如图 " 所示 。
图中 ! 代表输入层有 " 个分量的输入向量， 输 # "， # "， $ "， $ !， % "， % !， & "， & !， ’ "， ’ ! 分别为稳含层、 出层神经元的权矩阵、 阈值向量、 输出向量、 神经元数及加权和向量。隐含层神经元的变换函数采用 %$QO 输出层神经元的变换函数采用线性函数。 GRQS$RF 型函数，
［/］ 出了 )"*+,"# -!.， 改进的 ’( 神经网络和 ’"78, 统计融合法分类 的平 /， 0 与 123 影像分别采用标准的、 均分类精度和分类速度。分类精度是根据从分类图中随机取样， 统计与实际类别之间的混淆程度， 由混淆
矩阵计算得来的。 从表 4 可见， 改进的 ’( 神经网络融 合分类法分类精度较标准 ’( 神经网络 融合分类精度高， 可同 ’"78, 统计融合 分类相媲美。但是从分类速度上看， 改 进的 ’( 神 经 网 络 融 合 分 类 法 速 度 最 快， 明显比 ’"78, 统计融合分类法、 标准 ’( 神经网络融合快得多。
=6
西
安
科
技
学
院
学
报
&664 年
［&］ 根据前述， 本文基于 !"#$"% 语言 编制了标准的、 改进的 ’( 神经网络分类程序。 采用覆盖广东三水城