基于協(xié)同神經(jīng)網(wǎng)絡(luò)算法的紅樹林物種識(shí)別

孫 靜

( 黎明職業(yè)大學(xué) 智能制造工程學(xué)院，福建 泉州 362000 )

0 引言

紅樹林是熱帶、亞熱帶海灣、河口泥灘上的木本植物群落，它不僅可為許多海洋動(dòng)物提供理想的棲息地，而且還在維護(hù)海岸生態(tài)平衡以及防風(fēng)減災(zāi)、固岸護(hù)堤、凈化海洋、保護(hù)耕地等方面具有重要作用[1].我國(guó)的紅樹林主要分布在浙江等東南沿海地區(qū)，據(jù)統(tǒng)計(jì)共有37種，分屬20科、25屬[2].近些年，因?yàn)榈禺a(chǎn)開發(fā)、海水養(yǎng)殖等原因我國(guó)的紅樹林濕地面積呈大幅度減少趨勢(shì)，因此急需加強(qiáng)對(duì)紅樹林濕地的監(jiān)測(cè)和保護(hù).由于紅樹林的生長(zhǎng)地域較為特殊，難以對(duì)其進(jìn)行常規(guī)的野外調(diào)查，因此目前廣泛應(yīng)用遙感技術(shù)對(duì)其進(jìn)行監(jiān)測(cè).但因遙感技術(shù)覆蓋范圍較大，空間分辨率低，且紅樹林遙感數(shù)據(jù)光譜特征和其他植物存在著大量的同物異譜和異物同譜的現(xiàn)象[3]，因此需要借助其他的圖像識(shí)別方法對(duì)其進(jìn)行識(shí)別.目前，常見的圖像識(shí)別方法有統(tǒng)計(jì)模式識(shí)別、結(jié)構(gòu)模式識(shí)別、基于神經(jīng)網(wǎng)絡(luò)的人工智能模式識(shí)別等[4].基于神經(jīng)網(wǎng)絡(luò)的人工智能模式識(shí)別法是一種能夠模擬人腦神經(jīng)元細(xì)胞的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)信息進(jìn)行加工、處理、存儲(chǔ)和搜索的模式識(shí)別，其不僅具有很好的魯棒性和容錯(cuò)性，而且對(duì)噪聲和信息損失也具有良好的適應(yīng)性，因此近年來(lái)被廣泛應(yīng)用到文字識(shí)別、語(yǔ)音識(shí)別、指紋識(shí)別、人臉識(shí)別等領(lǐng)域.但傳統(tǒng)神經(jīng)網(wǎng)絡(luò)存在訓(xùn)練時(shí)間較長(zhǎng)、算法容易陷入局部極值、不能完全訓(xùn)練等問(wèn)題.為此，本文提出了一種使用協(xié)同神經(jīng)網(wǎng)絡(luò)[5]算法的紅樹林圖像識(shí)別方法，并通過(guò)實(shí)驗(yàn)驗(yàn)證了該方法的有效性.

1 協(xié)同神經(jīng)網(wǎng)絡(luò)算法

1973年，H.Haken[6]首次提出了將協(xié)同理論應(yīng)用到模式識(shí)別的協(xié)同神經(jīng)網(wǎng)絡(luò)算法.該算法的實(shí)現(xiàn)方法是：首先利用待測(cè)試模式q和原型模式構(gòu)造一定數(shù)目的序參量，然后根據(jù)序參量動(dòng)力學(xué)方程對(duì)系統(tǒng)進(jìn)行演化，以此驅(qū)使待測(cè)試模式q從中間狀態(tài)q(t)進(jìn)入某個(gè)原型模式vk中，進(jìn)而實(shí)現(xiàn)對(duì)q的識(shí)別[7].該理論假設(shè)原型模式的數(shù)量為M，滿足圖像模式識(shí)別的動(dòng)力學(xué)方程為：

(1)

(2)

可將狀態(tài)向量q分解為原型向量vk和剩余向量w，如式(3)所示：

(3)

可將式(1)描述成為一個(gè)求勢(shì)函數(shù)極值的過(guò)程，若忽略動(dòng)力學(xué)方程(1)中的F(t)和暫態(tài)量，則可得到該方程式的協(xié)同勢(shì)函數(shù)：

(4)

將序參量代入式(4)可得到與協(xié)同勢(shì)函數(shù)相應(yīng)的序參量動(dòng)力學(xué)方程式和勢(shì)函數(shù)：

(5)

(6)

(7)

(8)

2 基于協(xié)同神經(jīng)網(wǎng)絡(luò)的紅樹林識(shí)別模型

2.1 協(xié)同神經(jīng)網(wǎng)絡(luò)識(shí)別步驟

根據(jù)上述算法，本文選取不同的紅樹林圖像進(jìn)行網(wǎng)絡(luò)識(shí)別，識(shí)別步驟如下：

Step 4 利用序參量ζk動(dòng)力學(xué)方程對(duì)系統(tǒng)進(jìn)行演化.

Step 5 判斷序參量ζk(t)演化過(guò)程是否穩(wěn)定，若演化過(guò)程穩(wěn)定，則執(zhí)行Step 6；否則，跳轉(zhuǎn)至Step 4.

Step 6 將演化穩(wěn)定的序參量按式(9)進(jìn)行投影，以此最終完成紅樹林圖像的識(shí)別過(guò)程.

(9)

2.2 實(shí)驗(yàn)與分析

實(shí)驗(yàn)選取8種紅樹林的圖像作為訓(xùn)練樣本，利用協(xié)同神經(jīng)網(wǎng)絡(luò)對(duì)紅樹林進(jìn)行分類試驗(yàn)，圖像大小均為320×320，即每個(gè)圖像用一個(gè)102 400維向量來(lái)描述.訓(xùn)練樣本的原型模式vk如圖1所示.

圖1 紅樹林訓(xùn)練樣本原型

針對(duì)識(shí)別紅樹林圖像過(guò)程中存在的噪聲干擾、角度變換、圖像殘缺等問(wèn)題，本文在這3種情況中各選出1張圖像作為訓(xùn)練樣本并輸入到協(xié)同神經(jīng)網(wǎng)絡(luò)中進(jìn)行識(shí)別.協(xié)同神經(jīng)網(wǎng)絡(luò)的分類識(shí)別性能由動(dòng)力學(xué)方程式中的參數(shù)λk、B、C共同決定.當(dāng)λk=B=C>0時(shí)，H.Haken證明了動(dòng)力學(xué)方程(5)具有如下性質(zhì)：①網(wǎng)絡(luò)最終能收斂到某個(gè)原型目標(biāo)模式；②系統(tǒng)的終態(tài)取決于原始輸入向量的序參量值，最終只有一個(gè)序參量ζk趨向于1，而其他序參量趨向于0，即系統(tǒng)最終只能識(shí)別出一個(gè)模式[10].根據(jù)上述動(dòng)力學(xué)方程(5)的性質(zhì)和協(xié)同神經(jīng)網(wǎng)絡(luò)的識(shí)別步驟，本文首先采用平衡參數(shù)法進(jìn)行識(shí)別實(shí)驗(yàn)，即取λk=B=C=1對(duì)圖像進(jìn)行識(shí)別.實(shí)驗(yàn)利用Matlab軟件進(jìn)行.實(shí)驗(yàn)的識(shí)別結(jié)果如表1所示，其中：第1列為輸入的待識(shí)別樣本；第2列為輸入對(duì)應(yīng)識(shí)別樣本后通過(guò)協(xié)同神經(jīng)網(wǎng)絡(luò)算法得到的序參量演化曲線；橫軸為系統(tǒng)的迭代次數(shù)，這里選取迭代次數(shù)為100；縱軸為序參量ζk；第3列為輸出的識(shí)別結(jié)果.從表1中的序參量演化曲線可以看出,隨著迭代次數(shù)的增加，最終只有一個(gè)序參量趨向于1，其對(duì)應(yīng)的vk是識(shí)別出的原型模式，而其他序參量則衰減為0.該識(shí)別實(shí)驗(yàn)結(jié)果表明，利用協(xié)同神經(jīng)網(wǎng)絡(luò)算法能夠?qū)崿F(xiàn)對(duì)加噪、旋轉(zhuǎn)、殘缺的紅樹林圖像進(jìn)行快速的識(shí)別.

表1 采用協(xié)同神經(jīng)網(wǎng)絡(luò)識(shí)別紅樹林圖像的實(shí)驗(yàn)結(jié)果

3 基于微粒群算法(PSO)的網(wǎng)絡(luò)參數(shù)優(yōu)化

對(duì)上述實(shí)驗(yàn)樣本進(jìn)行網(wǎng)絡(luò)測(cè)試時(shí)，由于網(wǎng)絡(luò)參數(shù)均采用了λk=B=C=1，因此系統(tǒng)失去了對(duì)網(wǎng)絡(luò)進(jìn)一步識(shí)別的能力.為了進(jìn)一步增強(qiáng)系統(tǒng)的識(shí)別能力，本文采用基于微粒群算法(PSO)的參數(shù)優(yōu)化方法對(duì)協(xié)同神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化.PSO參數(shù)優(yōu)化方法具有操作簡(jiǎn)單、耗時(shí)短、收斂速度快等優(yōu)點(diǎn)，目前被廣泛應(yīng)用在函數(shù)優(yōu)化、圖像處理等方面[11].

PSO算法將每個(gè)個(gè)體看作是D維搜索空間中的一個(gè)微粒，這些微粒在搜索空間中以一定的速度飛行.假設(shè)：第i個(gè)粒子在D維空間中的位置為Xi=(xi1,xi2,…,xi D),i=1,2,…,N；第i個(gè)粒子的飛行速度是一個(gè)D維的向量，記為Vi=(vi1,vi2,…,vi D),i=1,2,…,N.第i個(gè)粒子搜索到的最優(yōu)位置稱為個(gè)體極值，記為pbest=(pi1,pi2,…,pi D),i=1,2,…，N；整個(gè)粒子群當(dāng)前搜索到的最優(yōu)位置為全局極值，記為gbest=(pg1,pg2,…,pgD).粒子通過(guò)跟蹤兩個(gè)極值(pbest，gbest)來(lái)更新自己.粒子更新自己的速度和位置的公式為：

vi d=vi d+c1r1(pi d-xi d)+c2r2(pg d-xi d),

(10)

xi d=xi d+vi d.

(11)

其中：c1和c2為學(xué)習(xí)因子，r1和r2為[0，1]范圍內(nèi)的均勻隨機(jī)數(shù)[12-13].

采用PSO算法的網(wǎng)絡(luò)參數(shù)優(yōu)化步驟如下：

Step 1 初始化一群微粒(群體規(guī)模為N).隨機(jī)的初始位置為xi，速度為vi，且每個(gè)個(gè)體表示一個(gè)(λk,B,C)的集合.

Step 2 評(píng)價(jià)每個(gè)微粒的適應(yīng)度.將每個(gè)微粒當(dāng)前位置的適應(yīng)值與其所經(jīng)歷過(guò)的最好位置pbest進(jìn)行比較，如果當(dāng)前位置的適應(yīng)值更高，則用適應(yīng)值替換pbest.

Step 3 將每個(gè)微粒當(dāng)前位置的適應(yīng)值與其在全局所經(jīng)歷過(guò)的最好位置gbest進(jìn)行比較，如果當(dāng)前位置的適應(yīng)值更高，則用適應(yīng)值替換全局極值gbest.

Step 4 根據(jù)公式(10)、(11)調(diào)整微粒的速度和位置.

Step 5 如未達(dá)到結(jié)束條件(通常為足夠好的適應(yīng)值或達(dá)到一個(gè)預(yù)設(shè)的最大代數(shù)Gmax)，則返回到Step 2.

4 實(shí)驗(yàn)對(duì)比分析

圖2 待識(shí)別樣本b(欖李屬)

1)選取紅樹林訓(xùn)練樣本圖片中的圖1(b)進(jìn)行識(shí)別實(shí)驗(yàn).首先對(duì)圖片進(jìn)行旋轉(zhuǎn)、加噪，得到的待識(shí)別樣本如圖2所示.然后對(duì)待識(shí)別圖像(圖2)分別采用平衡參數(shù)和PSO參數(shù)優(yōu)化方法進(jìn)行分類識(shí)別實(shí)驗(yàn).

首先利用平衡參數(shù)算法將待識(shí)別的樣本輸入到協(xié)同神經(jīng)網(wǎng)絡(luò)中，參數(shù)取B=C=λk=1.圖像識(shí)別的過(guò)程和結(jié)果如圖3所示.由圖3可以看出，識(shí)別結(jié)果為紅樹林圖片中的圖1(g)角果木屬，并非圖1(b)欖李屬，即識(shí)別錯(cuò)誤.

其次使用PSO算法優(yōu)化網(wǎng)絡(luò)參數(shù)對(duì)圖像進(jìn)行識(shí)別，結(jié)果如圖4.由圖4可以看出，識(shí)別結(jié)果為紅樹林圖1(b)欖李屬，識(shí)別正確.

圖3 采用協(xié)同神經(jīng)網(wǎng)絡(luò)算法識(shí)別圖像的過(guò)程和結(jié)果

圖4 采用基于PSO的協(xié)同神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化方法識(shí)別圖像的過(guò)程和結(jié)果

2)取8張紅樹林圖像作為訓(xùn)練樣本進(jìn)行圖像識(shí)別實(shí)驗(yàn).首先對(duì)8張訓(xùn)練樣本進(jìn)行加噪、旋轉(zhuǎn)、伸縮、裁剪等處理，得到50張待識(shí)別圖像；然后分別采用上述兩種方式進(jìn)行識(shí)別，并計(jì)算各自的圖像識(shí)別率.

采用基于PSO的協(xié)同神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化方法計(jì)算圖像識(shí)別率時(shí)，設(shè)定初始群體個(gè)數(shù)為20，群體最多迭代次數(shù)為20，慣性權(quán)重w取0.5,學(xué)習(xí)因子取c1=c2=2，由此得到的收斂曲線如圖5所示.圖5中橫坐標(biāo)為迭代次數(shù)，縱坐標(biāo)為識(shí)別率.從圖5中可以看出，基于PSO的協(xié)同神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化方法對(duì)圖像的最優(yōu)識(shí)別率可達(dá)到88.0%，顯著優(yōu)于傳統(tǒng)的協(xié)同神經(jīng)網(wǎng)絡(luò)算法的識(shí)別率.

圖5 采用基于PSO的協(xié)同神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化方法的圖像識(shí)別收斂曲線

5 結(jié)論

本文根據(jù)紅樹林物種的特性，在協(xié)同神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上提出了一種基于PSO的協(xié)同神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化方法.通過(guò)Matlab軟件實(shí)驗(yàn)證明，本文提出的算法對(duì)紅樹林的識(shí)別精度達(dá)到88.0%，顯著優(yōu)于平衡參數(shù)條件下的算法(78.0%)，因此本文算法具有較好的實(shí)用價(jià)值.在今后的研究中,我們將結(jié)合其他算法(如遺傳算法)對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，以進(jìn)一步提高本文方法的識(shí)別率.