一种应用神经网络敏感性分析的高光谱影像波段选择方法
【技术领域】
[0001] 本发明涉及一种高光谱遥感影像波段选择方法，具体为一种应用神经网络敏感性 分析的高光谱遥感影像波段选择方法，属于高光谱遥感图像处理技术领域。
【背景技术】
[0002] 遥感（Remote Sensing)是一门利用电磁波原理来获取远方信号并使之成像，能够 遥远地感受感知远方事物的技术，是一门新兴科学。随着计算机技术及光学技术的提高，遥 感技术也得到了迅速的发展。近年来，各式各样的遥感卫星不断成功发射，推动了遥感数据 获取技术朝着三高（高空间分辨率、高光谱分辨率和高时间分辨率）和三多（多平台、多传 感器、多角度）方向发展。
[0003] 高光谱图像具有常规遥感无法企及的光谱信息，有利于地物分类、识别和混合像 元分解等处理。但是高光谱图像在光谱信息量增加的同时，也增加了数据的维数，使得图像 的数据量激增。其较高的维数和波段间的相关性不仅会使运算变得复杂，处理速度大大下 降，而且在有限样本的情况下，可能会导致分类精度降低。这就意味着在对高光谱图像进行 处理、分析之前进行数据降维变得非常必要。
[0004] 高光谱遥感影像波段选择降维方法是从全波段中选择若干个波段出来代表整个 波段空间，选择出来的波段组合要能在随后的分类处理中有效地提高分类精度。从波段对 分类贡献程度大小的角度上来衡量哪些波段应该被选择，那些有助于分类精度提高的波段 应该被优先选中。
[0005] 神经网络分类器是高光谱遥感影像分类方法中常用的分类器之一，它对于高维 的、非线性结构的高光谱遥感影像具有良好的分类效果。但是，传统的BP神经网络存在一 些缺陷和不足，如网络的学习收敛速度慢，隐含层的层数和隐含层神经元个数的选择没有 理论依据，网络中连接权值和阈值初始化选择具有盲目性等。为了给神经网络敏感性分析 求取敏感性系数提供稳定的连接权值和阈值，需要对神经网络初始连接权值和阈值进行优 化。通常采用遗传算法（GA)来优化BP神经网络，使得预测输出和期望输出之间的误差绝 对值达到最小化。差分进化（DE)算法与遗传算法（GA)非常相似，但差分进化（DE)算法涉 及的参数更少，全局搜索能力强而且收敛速度快。
[0006] 很多实际的应用领域产生了海量的数据，导致训练出来的神经网络变得越来越复 杂。敏感性分析能够定量地描述一个模型的输入变量对输出变量的影响程度。可以对模型 属性的敏感性系数进行排序，根据实际问题的需要，筛选出敏感性系数较大的属性而剔除 掉对模型输出结果影响很小的属性，从而简化模型，降低处理模型的计算复杂度，也就是达 到了降维的效果。敏感性分析方法要基于具体的模型之上才能实现，然而在大多数情况下， 当人们面对海量的数据信息时，不清楚这些数据内部的模型机理如何，这就给敏感性分析 方法的进一步应用带来了麻烦。神经网络不需要建立所研宄问题的物理概念模型，可以较 好处理其他方法难以解决的不确定性或非线性的问题，它是一种黑箱分析模型，通过对输 入样本的训练和学习输出合理的学习结果。因此只需要知道输入数据和输出数据，神经网 络会利用大量的简单的神经元模拟出数据之间的非线性关系。神经网络敏感性分析便是利 用神经元之间的连接权值和阈值分析出输入数据对输出数据的影响程度。
[0007] 神经网络敏感性分析分为局部敏感性分析和全局敏感性分析，国外的学者更多 地集中在对局部敏感性分析的研宄当中。经典的神经网络局部敏感性分析主要有4种类 型：（1)基于连接权的敏感性分析方法，如Garson在上世纪90年代初提出的Garson算 法，Tchaban提出的Tchaban方法；(2)基于输出变量对输入变量的偏导敏感性分析，有 Dimoponlos敏感性分析，Ruck敏感性分析；（3)与统计方法结合的敏感性分析，Olden与其 合作者提出的随机化检验方法；(4)基于输入变量扰动的敏感性分析，如Scardi提出给网 络中的输入数据增加白噪声，计算在此情况下输出变量的变化情况。
【发明内容】
[0008] 发明目的：为了选择最优的波段出来代表整个波段空间，提高分类精度，本发明提 供一种应用神经网络敏感性分析的高光谱遥感影像波段选择方法，是一种用优化后的BP 神经网络对样本分类后，根据敏感性系数筛选出波段组合的高光谱遥感影像波段选择方 法。
[0009] 技术方案：一种应用神经网络敏感性分析的高光谱遥感影像波段选择方法。其基 本思想是首先使用子空间划分方法来预选一些相关性弱的波段组合，根据预选地物类型和 原始地物信息确定训练样本和测试样本，确定BP神经网络拓补结构，然后采用差分进化算 法对BP神经网络进行优化，最后再利用优化后的BP神经网络执行Ruck敏感性分析，采用 综合评判函数把所有测试样本点的敏感性分析结果综合起来，最终筛选出对分类结果影响 大的波段。具体包括如下步骤：
[0010] 步骤1 :数据预处理。剔除干扰波段，预选地物类型，用自适应子空间（ASD)方法 来划分高光谱遥感影像波段集，再在各个子空间内按照比例Rs选取波段数组成波段组合， 结合预选地物类型和原始遥感图像的地物信息来确定BP神经网络训练所需的输入训练样 本P和输出期望值T、输入测试样本P_Test和输出期望值T_Test，方便确定神经网络的拓 扑结构。
[0011] 步骤2 :初始化。由BP神经网络拓扑结构确定整个网络中的权值和阀值个数，假 设网络中的权值和阀值总和为D，设置缩放因子F，杂交参数CR和变异模式，差分进化（DE) 初始种群个体的维数即对应网络权值和阈值总和，采用BP神经网络训练误差绝对值作为 适应度函数并计算初始种群的适应度函数值。
[0012] 步骤3 :算法迭代。按照设置好的参数和变异模式，即随机的从初始种群中选择两 个不同的个体向量相减后生成差分向量，对差分向量进行加权后再与随机选择的第三个个 体向量进行求和，生成变异向量，即变异个体，进行差分进化（DE)算法迭代。用变异个体包 含的权值阈值进行BP神经网络训练，计算训练误差绝对值，即适应度函数值。
[0013] 步骤4 :获取最优权值阈值。适应度是以数值的方式来评估个体向量相对于整个 群体的优劣程度的指标，在差分进化算法中适应度是评价个体性能的一个重要指标。若试 验向量的适应度优于目标向量的适应度，则试验向量就会取代目标向量形成下一代。差分 进化（DE)迭代到达最大次或者满足适应度结束条件时，即可获得最优个体包含的权值阈 值从而完成对BP神经网络的优化。
[0014] 步骤5 :Ruck敏感性分析，按敏感性系数排序。用优化后的BP神经网络对全部样 本进行分类，计算敏感性分析结果，此处选择MSA度量指标作为综合评判函数，把各个单样 本点的敏感性分析结果综合起来。设S ik为所有测试样本输入变量i对输出变量Yk(k= 1) 的敏感性系数。4为第t个测试样本输入变量i对输出变量Yk(k=l)的敏感性系数。综 合评判函数表示为：
[0015]
【主权项】
1. 一种应用神经网络敏感性分析的高光谱遥感影像波段选择方法，其特征在于：首先 使用子空间划分方法来预选一些相关性弱的波段组合，根据预选地物类型和原始地物信息 确定训练样本和测试样本，确定BP神经网络拓补结构，然后采用差分进化算法对BP神经网 络进行优化，最后再利用优化后的BP神经网络执行Ruck敏感性分析，采用综合评判函数把 所有测试样本点的敏感性分析结果综合起来，最终筛选出对分类结果影响大的波段。
2. 如权利要求1所述的应用神经网络敏感性分析的高光谱遥感影像波段选择方法，其 特征在于：采用差分进化（DE)算法来优化BP神经网络，DE优化BP分为差分进化（DE)算 法优化、BP神经网络结构确定和BP神经网络训练3个部分；由BP神经网络拓扑结构可以 确定整个网络中的权值和阈值个数，假设网络中的权值和阈值总和为D，差分进化（DE)初 始种群个体的维数即对应网络权值和阈值总和，直接对每一个维度上的值初始化；设置缩 放因子F，杂交参数CR和变异模式，按照设置好的参数和变异模式，进行差分进化（DE)算法 迭代，迭代到达最大次或者满足结束条件时，即可获得最优个体包含的权值阈值从而完成 对BP神经网络的优化。
3. 如权利要求2所述的应用神经网络敏感性分析的高光谱遥感影像波段选择方法，其 特征在于：应用Ruck敏感性分析，即用优化后的BP神经网络对全部样本进行分类，计算敏 感性分析结果，根据敏感性系数进行排序，剔除掉敏感性系数较小的波段，筛选出对分类结 果影响大的波段组合；假设有N-L-I前反馈神经网络，N表示输入层神经元个数，L表示隐 层神经元个数，隐含层的激活函数采用双曲正切函数，即./'(λ··) ，其中ex是指数函 e +e 数，输出层的激活函数采用线性函数；输入变量属性\对输出值y的敏感性系数可以定义 为：
其中ω u和υ μ分别表示输入层神经元i到隐含层神经元j的连接权值以及隐含层神 经元j到输出层神经元k = 1的连接权值，f'（netj)，f'（netk)分别表示隐含层神经元j的 激活函数和输出层神经元k = 1的激活函数的偏导函数；由于输出神经元的激活为线性函 数，即f'（netk) = 1可以将上式改写为：
其中 f'（net」）=(l+fj(x)) (l-fj(x))，f'（netk) = 1，fj(x)为神经元 j 的双曲正切函 数。
4. 如权利要求3所述的应用神经网络敏感性分析的高光谱波段选择方法，其特征在 于：以MSA度量指标作为综合评判函数，设Sik为所有测试样本输入变量i对输出变量Y k(k =1)的敏感性系数；4为第t个测试样本输入变量i对输出变量Yk (k = 1)的敏感性系 数；综合评判函数表示为：
其中η表示样本的总数目，Sik为非负数；利用S ik可以对输入的波段对输出类别敏感性 进行排序，从而确定输入变量对输出结果的影响程度的先后次序。
【专利摘要】本发明公开了一种应用神经网络敏感性分析的高光谱遥感影像波段选择方法，首先使用子空间划分方法来预选一些相关性弱的波段组合，根据预选地物类型和原始地物信息确定训练样本和测试样本，确定BP神经网络拓补结构，然后采用差分进化算法对BP神经网络进行优化，最后再利用优化后的BP神经网络执行Ruck敏感性分析，采用综合评判函数把所有测试样本点的敏感性分析结果综合起来，最终筛选出对分类结果影响大的波段。
【IPC分类】G06K9-62, G06N3-08
【公开号】CN104732240
【申请号】CN201510162319
【发明人】李臣明, 高红民, 王艳, 陈玲慧, 史宇清, 何振宇
【申请人】河海大学
【公开日】2015年6月24日
【申请日】2015年4月7日