传统统计模式识别方法进行遥感影像分类时要求数据服从正态分布,并且存在分类精度低的缺点。通过分析BP网的分类原理与学习算法,选择最能反映研究区土地利用信息的光谱数据,进行BP网的训练分类。将分类结果与采用最大似然法所得的结果综合比较,结果表明,该方法优于最大似然

2. BP网的分类原理及算法

2.1基本原理

BP神经网络适用于多层网络的学习,对网络中各层的权系数进行修正,是一种有导师指导的模型,建立在梯度下降法的基础上。它含有输入层、输出层以及处于输入输出层之间的隐层。虽然隐层不和外界连接,但是它们的状态则影响输入输出之间的关系,改变隐层的权系数,可以改变整个多层神经网络的性能。

图1 神经网络结构示意图

Fig.1 structure of BPNN

2.2 算法分析

BP算法分二步进行,即信号的正向传播和误差的反向传播。正向传播时,输入的样本从输入层经过隐层进行处理,通过所有的隐层之后,传向输出层;在逐层处理的过程中,每一层神经元的状态只对下一层神经元的状态产生影响。到输出层时,再把现行输出和期望输出进行比较,如果现行输出不等于期望输出,则进入反向传播过程。反向传播时又把误差信号按原来正向传播的通路反向传回,并对每个隐层的各个神经元的权系数进行修改,从而使误差信趋向于最小。如此循环往复进行权值修正就是网络的学习训练过程,此过程一直进行到网络输出误差减少到可接受的程度。网络训练过程中,需要指定循环次数,如果循环次数达到时,模式最大允许误差尚未满足要求,运算将停止,然后进行参数调整,重新训练.最后用训练好的网络进行分类,获得各类目标的信息分布特征【5】。

2.3 分类实现

分类实现主要分两个阶段:第一阶段是根据样本数据，网络本身进行自学习;第二阶段是利用学习结果对图像进行分类[6]。整个学习、分类过程如图2。

传统统计模式识别方法进行遥感影像分类时要求数据服从正态分布,并且存在分类精度低的缺点。通过分析BP网的分类原理与学习算法,选择最能反映研究区土地利用信息的光谱数据,进行BP网的训练分类。将分类结果与采用最大似然法所得的结果综合比较,结果表明,该方法优于最大似然

图2 分类实现框图

Fig .2 procession of realize

3. 遥感影像分类

3.1 网络结构设计

网络尺度选择:BP网隐层数目决定了整个网络的尺度,隐层越多,网络越算杂。一般而言,复杂的网络更易获取训练区样本特性,但普适性相对来讲较弱。而且,层数越多,计算量越大,计算时间也会相应增长[7]。因此,本文选择最基本的单隐层网络进行训练分类.

输入、输出层神经元设计:输入层各神经元是影响分类精度的关键性因子,输入向量维数越多,即用以识别的因子多,分类结果相对越准确,但输入向量应选择对输出影响大且输入向量间应互不相关或相关性小[8]。本试验区选择了TM3、4、5的光谱数据，神经网络输出层神经元数为分类类别数,由于土地利用类型如前述分为5类,从而设定输出层神经元数为5。

隐层神经元设计:隐层神经元数难确定,没有通用的理论指导,实际应用中主要通过经验公式,结合参数调试,依调试结果决定。隐层神经元数过多或过少都会使网络性能下降,如果为单隐层,则隐层神经元数一般至少为输入、输出层神经元数的最大值；如果仍不能达到足够分类精度,可适当增加隐层神经元数,直至获得预期的结果[9]。因此,本实验设定隐层神经元数为7较为合理。

3.2 网络训练分类

选取有确定类别的样本作为网络的学习样本,以样本值作为网络的输入,同时设定样本类别的期望输出,这样就建立了网络的学习模式。为了选择较好的样本数,实验中分别选取各类样本点30、40、50、60个,对网络进行反复训练。训练时选取学习速率和目标误差分别为0.01和0.001,网络性能达标,训练结束。再选用150个样本点作为测试集,分别求不同样本数训练网络的测试误差,通过比较相对误差和精度,各类样本数为50网络训练可使分类结果更接近客观实际[10-12]。样本数多于和少于50的网络训练使得各类别特性趋势于模糊,更易造成混分。

根据以上对比,以各类样本数为50进行训练的网络完成实验区土地利用的分类。图3

为