SOM神经网络改进及在遥感图像分类中的应用*

针对自组织特征神经网络自身算法的特点和缺陷,采用遗传算法对网络进行改进,形成了基于遗传算法的自组织特征神经网络,并从输入向量、竞争层神经元数量设置和初始权向量设定三方面,结合遥感图像的特性对自组织特征映射网络遥感图像分类的方法进行了改进。将该方法应用于择西安地区的ETM+卫星遥感图像进行分类试验,结果表明,基于遗传算法的自组织特征映射网络使得遥感图像的分类精度更高,且该算法实现简单,具有一定的工程应用价值。     

基于松弛因子改进FastICA算法的遥感图像分类方法

多波段遥感图像反映了不同地物的光谱特征,其分类是遥感应用的基础.独立分量分析算法利用信号的高阶统计信息,去除了遥感图像各个波段之间的相关性,获得的波段图像是相互独立的.然而独立分量分析算法计算量太大,影响了其在多波段遥感图像分类上的应用.MFastICA算法可以改善FastICA算法的性能,减少计算量,但是同FastICA算法一样,其收敛依赖于初始权值的选择.在MFastICA算法中引入松弛因子,使算法可以实现大范围的收敛.应用BP神经网络对独立分量分析算法预处理后的图像进行自动分类,其分类精度比原始遥感图像的精度高,并且3种独立分量分析算法的最终分类性能相当.     

基于松弛因子的快速独立分量分析算法的遥感图像分类技术

多光谱遥感图像反映了不同地物的光谱特征,其分类是遥感应用的基础。独立分量分析算法利用了信号的高阶统计信息,对于多光谱遥感图像而言,算法去除了波段图像之间的相关性,获得的波段图像是相互独立的。但是独立分量分析算法有一个缺点,即计算量太大,影响了在多光谱遥感图像分类上的应用。M-FastICA算法同FastICA算法一样,它们的收敛依赖于初始权值的选择。通过在M-FastICA算法中引入松弛因子,使算法可以实现大范围收敛,得到更稳定的收敛效果。应用BP神经网络对独立分量分析算法预处理后的图像进行自动分类,其分类精度较原始遥感图像的精度均高,并且三种独立分量分析算法的分类性能也相当。     

AGA-BP模型在遥感影像分类中的应用研究

作为遥感研究的关键技术,遥感影像分类一直是遥感研究热点;针对目前采用BP神经网络模型进行遥感影像分类时存在的对初始权阈值敏感、易陷入局部极值和收敛速度慢的问题,为了提高BP模型遥感影像分类精度,将自适应遗传算法引入到BP网络模型参数选择中;首先运用自适应遗传算法对BP模型权阈值参数进行初始寻优,再用改进BP算法对优化的网络模型权阈值进一步精确优化,随后建立基于自适应遗传算法的BP网络分类模型,并将其应用到遥感影像数据分类研究中;仿真结果表明,新模型有效提高了遥感影像分类准确性,为遥感影像分类提出了一种新的方法,具有广泛研究价值。     

GA-PSO优化BP神经网络的遥感影像分类方法

针对BP神经网络在遥感影像分类中存在易陷入局部极值、受初始权阈值影响大和网络训练时间长等问题,提出一种遗传算法(GA)结合粒子群算法(PSO)优化BP神经网络(GA-PSO-BP)的遥感影像分类方法。通过PSO对问题的解空间进行迭代寻优,将粒子群粒子个体转化为GA染色体,利用GA的复制、交叉和变异对种群所有染色体进行寻优。GA-PSO迭代寻优得到的初始权阈值直接赋给BP神经网络,解决其易陷入局部极值的问题,同时提升其训练速率。利用Landsat-8中分辨率和高分二号高分辨率遥感影像进行地物分类。结果表明,相对于最大似然法、支持向量机、传统BP、GA优化BP和PSO优化BP,GA-PSO-BP的分类精度得到有效提高,能与AlexNet卷积神经网络分类精度接近,且简单易操作。     

利用遗传算法改进SOM网络初始权值的乐器分类

针对SOM网络在分类中由于其初始权值的随机性而导致的训练次数过多且易陷入局部最小的问题,提出了利用遗传算法改进网络初始权值的乐器分类。仿真实验提取10种乐器的12阶MFCC系数,之后使用遗传算法计算出每种乐器各阶系数的适应度值,并以此作为网络的初始权值,之后使用已赋初值的SOM网络分类。仿真实验结果表明:利用遗传算法改进SOM网络初始权值的乐器分类方法的分类正确率最高可达到83.51%。     

18650型锂电池荷电状态的估计

锂电池状态的准确估计,能够延长电池的使用寿命和减少安全事故的发生。为提高BP神经网络估计锂电池荷电状态的精度,提出一种使遗传粒子群算法有目的性的优化BP神经网络初始权值的改进方法。该算法引入K均值算法优化遗传粒子群算法初始粒子分布的随机性带来的误差问题,寻找BP神经网络算法初始权值的权重分配与输出误差的关系,在遗传粒子群算法随机产生的粒子群中进行最优粒子群选优,以降低误差。通过对采集到的18650型锂电池的充放电数据和未改进遗传粒子群算法优化的BP神经网络训练产生的200组BP神经网络的初始权值数据的研究分析,得到具有锂电池特性的BP神经网络的初始权值特征公式。并用MATLAB和FPGA联合仿真验证了改进BP神经网络方法的可行性。该方法也优化了遗传粒子群算法,减小了初值不确定带来的误差。     

基于AGA-LVQ神经网络的软件可靠性预测模型研究

针对当前大多数软件可靠性预测模型预测准确率不高等问题,利用LVQ神经网络的非线性运算能力和自适应遗传算法(AGA)的参数寻优能力,提出了一种基于AGA-LVQ的软件可靠性预测模型。首先对待预测的数据用主成分分析(PCA)等方法进行预处理以降低维度,去除冗余和错误数据,然后根据自适应遗传算法来计算最优的LVQ神经网络初始权值向量,最后运用LVQ神经网络进行软件可靠性预测实验。通过与传统方法的对比,证明该方法具有较高的预测准确率。     

基于遗传神经网络优化的过程信号盲分离算法

研究一种较新的盲信号神经网络分离(BSS)方法,用于过程信号去噪.由于盲信号分离神经网络存在容易陷入局部极小点、收敛速度慢的缺点,研究采用遗传算法优化盲信号分离神经网络权值的初值,将遗传算法与神经网络(HJNN)结合形成GA-HJNN算法,可迅速得到最佳盲信号分离神经网络的权值矩阵,实现对过程信号的去噪,并通过实验对2种算法进行了比较.     

基于遗传小波神经网络的语音识别分类器设计

分类在语音识别中是很重要的,由于小波神经网络的学习效果对网络隐层节点数、初始权值(包括阈值)、伸缩和平移因子以及学习率和动量因子的依赖性较大,致使其全局搜索能力弱,易陷入局部极小,收敛速度减慢,甚至不收敛。而遗传算法具有的高度并行、随机、自适应搜索性能,使它在处理用传统搜索方法解决不了的复杂和非线性问题时具有明显的优势。因此,考虑把遗传算法和神经网络相结合,采用遗传算法选取初值进行训练,用小波神经网络完成给定精度的学习。仿真实验结果表明,该模型有效地提高了语音的识别率,并缩短了识别时间,实现了效率与时间的双赢,为算法的实用性莫定了基础。