基于粒子群优化神经网络的水深反演模型
发布时间：2021-06-06 05:14
针对直接采用BP神经网络反演水深收敛速度慢,且易陷入局部最优的问题,提出了一种基于粒子群（PSO）优化BP神经网络的水深遥感新模型。该模型首先利用粒子群算法对BP神经网络的权重和阈值进行优化,然后将该优化值作为BP神经网络的初始值,最后再将PSO优化后的模型用于测试海区的反演精度评估。实验结果表明,该模型的网络收敛速度明显加快,水深反演的精度也得到提高。
【文章来源】：海洋测绘. 2020,40(05)CSCD
【文章页数】：4 页
【部分图文】：
图１?ＰＳＯｔ工具箱粒子群优化训练过程示意图??３实验与分析??
在??１５￣３０?ｍ７］Ｃ深范围内，水深反演偏差也得到较大改??善。分析图中误差较大的点，可能是由于数据匹配??过程中，实测水深是相对准确无误的，但遥感辐亮度??值受图像质量影响较大，且实测水深值与遥感数据??匹配过程中受遥感影像几何精度影响，可能存在误??差，如：在一组匹配数据中，实测水深为点礁峰顶较??浅深度，而对应的遥感像元实际代表谷底较深水深??点，那么反演结果将会偏深；或者由于本文影像数据??与实测水深数据采集的时间间隔较大，水下地形发??生一■定变化造成的。??图２研究区实测水深点分布示意图??３．?２?实验分析??选用Ｂ１、Ｂ２、Ｂ３和Ｂ４共４个反演因子作为反??演模型的学习输人样本。因为遥感匹配样本存在坏??点（匹配误差过大的样本数据），首先对１１４１２个匹??配点进行筛选，之后从筛选后的８?８７５个匹配点中??随机选取７?１０６个作为训练样本，１?７６９个水深点作??为测试样本，保证了测试结果的独立性。图３显示??筛选结果对精度提升明显。??结果分析如下：??（１）网络收敛速度??神经网络收敛速度是评价网络性能的重要指标，??收敛速度越慢，训练时间便越长，陷人局部最优的风??险就增大。图４为优化前后的网络收敛速度的对比。??１０°??錄１８０７雌代达到最體差０．０３７８９１??－？??２００?４００?６（？?８００??１２００?１４００?１６００?１８００??迭代??（ａ）优化前??在第１７次迭代后，达到最优误差０．０３６８６４??Ｉ?ｉｌｌｌＳＳｔｔＳｌ??２?４?６?８?１０?１２?１４?１６??迭代！??（ｂ）优化后??网络优化前后收敛速度对比示意图??５?
ＢＰ神经网络模??型反演水深，两者之间的平均绝对误差（ＭＡＥ）为??１．６９５２?ｍ，均方根误差（ＲＭＳＥ）为２?８４５５?ｍ，其中最大??ＭＡＥ达１．７７８?１?ｍ，最小为１．６６８?０?ｍ，精度变化超过??１０ｃｍ；而采用ＰＳＯ－ＢＰ神经网络模型，ＭＡＥ为??１．６０７６ｍ，ＲＭＳＥ?为?２．５９５?７?ｍ，其中?ＭＡＥ?最大值??１－?ｍ，ＭＡＥ最小值１＿?５７９２?ｍ，变化较校可见在精??度方面ＰＳＯ麵算法在一定程度上降低了精度，且多??次实验的精度变化范围较小０结果见图５的散点图。??实测水??（ｂ）?ＰＳＯ－ＢＰ神经网络模型??图５反演水深与实测水深散点示意图??从图５可以看出，粒子群算法优化后的ＢＰ神??经网络模型的反演效果，在０￣?１５?ｍ水深范围内，虽??然无法改变一些点位误差较大，但是反演水深与实??测水深的整体分布紧凑性和趋势一致性，要明显好??于采用未优化的ＢＰ神经网络模型反演水深，且在??１５￣３０?ｍ７］Ｃ深范围内，水深反演偏差也得到较大改??善。分析图中误差较大的点，可能是由于数据匹配??过程中，实测水深是相对准确无误的，但遥感辐亮度??值受图像质量影响较大，且实测水深值与遥感数据??匹配过程中受遥感影像几何精度影响，可能存在误??差，如：在一组匹配数据中，实测水深为点礁峰顶较??浅深度，而对应的遥感像元实际代表谷底较深水深??点，那么反演结果将会偏深；或者由于本文影像数据??与实测水深数据采集的时间间隔较大，水下地形发??生一■定变化造成的。??图２研究区实测水深点分布示意图??３．?２?实验分析??选用Ｂ１、Ｂ２、Ｂ３和Ｂ４共４个反演因子作为反??演模型的学习输
【参考文献】：
期刊论文
[1]基于高分一号卫星多光谱数据的岛礁周边浅海水深遥感反演[J]. 陈本清,杨燕明,罗凯. 热带海洋学报. 2017(02)
[2]基于Worldview-2多光谱卫星数据的浅水水深遥感反演[J]. 吴忠强,沈蔚,郭晓雷,栾奎峰,邱振戈. 海洋测绘. 2016(05)
[3]基于SPOT-6遥感影像的近海水深反演[J]. 陆天启,陈圣波,郭甜甜,范宪创. 海洋学研究. 2016(03)
[4]基于粒子群算法的并行公差优化设计模型求解[J]. 刘超,刘少岗. 天津科技大学学报. 2013(01)
[5]基于RBF神经网络的水深遥感研究[J]. 邓正栋,叶欣,关洪军,于德浩. 解放军理工大学学报(自然科学版). 2013(01)
[6]基于神经网络技术的多因子遥感水深反演模型[J]. 梁志诚,黄文骞,杨杨,张洋洋. 测绘工程. 2012(04)
[7]卫星遥感多光谱浅海水深反演法[J]. 张振兴,郝燕玲. 中国航海. 2012(01)
[8]基于粒子群神经网络的期货价格预测[J]. 王海军,白玫,贾兆立,覃丽萍. 计算机工程与设计. 2009(10)
[9]基于BP人工神经网络的水体遥感测深方法研究[J]. 王艳姣,张鹰. 海洋工程. 2005(04)
[10]一种动态改变惯性权的自适应粒子群算法[J]. 张选平,杜玉平,秦国强,覃征. 西安交通大学学报. 2005(10)
本文编号：3213682
【文章来源】：海洋测绘. 2020,40(05)CSCD
【文章页数】：4 页
【部分图文】：
图１?ＰＳＯｔ工具箱粒子群优化训练过程示意图??３实验与分析??
在??１５￣３０?ｍ７］Ｃ深范围内，水深反演偏差也得到较大改??善。分析图中误差较大的点，可能是由于数据匹配??过程中，实测水深是相对准确无误的，但遥感辐亮度??值受图像质量影响较大，且实测水深值与遥感数据??匹配过程中受遥感影像几何精度影响，可能存在误??差，如：在一组匹配数据中，实测水深为点礁峰顶较??浅深度，而对应的遥感像元实际代表谷底较深水深??点，那么反演结果将会偏深；或者由于本文影像数据??与实测水深数据采集的时间间隔较大，水下地形发??生一■定变化造成的。??图２研究区实测水深点分布示意图??３．?２?实验分析??选用Ｂ１、Ｂ２、Ｂ３和Ｂ４共４个反演因子作为反??演模型的学习输人样本。因为遥感匹配样本存在坏??点（匹配误差过大的样本数据），首先对１１４１２个匹??配点进行筛选，之后从筛选后的８?８７５个匹配点中??随机选取７?１０６个作为训练样本，１?７６９个水深点作??为测试样本，保证了测试结果的独立性。图３显示??筛选结果对精度提升明显。??结果分析如下：??（１）网络收敛速度??神经网络收敛速度是评价网络性能的重要指标，??收敛速度越慢，训练时间便越长，陷人局部最优的风??险就增大。图４为优化前后的网络收敛速度的对比。??１０°??錄１８０７雌代达到最體差０．０３７８９１??－？??２００?４００?６（？?８００??１２００?１４００?１６００?１８００??迭代??（ａ）优化前??在第１７次迭代后，达到最优误差０．０３６８６４??Ｉ?ｉｌｌｌＳＳｔｔＳｌ??２?４?６?８?１０?１２?１４?１６??迭代！??（ｂ）优化后??网络优化前后收敛速度对比示意图??５?
ＢＰ神经网络模??型反演水深，两者之间的平均绝对误差（ＭＡＥ）为??１．６９５２?ｍ，均方根误差（ＲＭＳＥ）为２?８４５５?ｍ，其中最大??ＭＡＥ达１．７７８?１?ｍ，最小为１．６６８?０?ｍ，精度变化超过??１０ｃｍ；而采用ＰＳＯ－ＢＰ神经网络模型，ＭＡＥ为??１．６０７６ｍ，ＲＭＳＥ?为?２．５９５?７?ｍ，其中?ＭＡＥ?最大值??１－?ｍ，ＭＡＥ最小值１＿?５７９２?ｍ，变化较校可见在精??度方面ＰＳＯ麵算法在一定程度上降低了精度，且多??次实验的精度变化范围较小０结果见图５的散点图。??实测水??（ｂ）?ＰＳＯ－ＢＰ神经网络模型??图５反演水深与实测水深散点示意图??从图５可以看出，粒子群算法优化后的ＢＰ神??经网络模型的反演效果，在０￣?１５?ｍ水深范围内，虽??然无法改变一些点位误差较大，但是反演水深与实??测水深的整体分布紧凑性和趋势一致性，要明显好??于采用未优化的ＢＰ神经网络模型反演水深，且在??１５￣３０?ｍ７］Ｃ深范围内，水深反演偏差也得到较大改??善。分析图中误差较大的点，可能是由于数据匹配??过程中，实测水深是相对准确无误的，但遥感辐亮度??值受图像质量影响较大，且实测水深值与遥感数据??匹配过程中受遥感影像几何精度影响，可能存在误??差，如：在一组匹配数据中，实测水深为点礁峰顶较??浅深度，而对应的遥感像元实际代表谷底较深水深??点，那么反演结果将会偏深；或者由于本文影像数据??与实测水深数据采集的时间间隔较大，水下地形发??生一■定变化造成的。??图２研究区实测水深点分布示意图??３．?２?实验分析??选用Ｂ１、Ｂ２、Ｂ３和Ｂ４共４个反演因子作为反??演模型的学习输
【参考文献】：
期刊论文
[1]基于高分一号卫星多光谱数据的岛礁周边浅海水深遥感反演[J]. 陈本清,杨燕明,罗凯. 热带海洋学报. 2017(02)
[2]基于Worldview-2多光谱卫星数据的浅水水深遥感反演[J]. 吴忠强,沈蔚,郭晓雷,栾奎峰,邱振戈. 海洋测绘. 2016(05)
[3]基于SPOT-6遥感影像的近海水深反演[J]. 陆天启,陈圣波,郭甜甜,范宪创. 海洋学研究. 2016(03)
[4]基于粒子群算法的并行公差优化设计模型求解[J]. 刘超,刘少岗. 天津科技大学学报. 2013(01)
[5]基于RBF神经网络的水深遥感研究[J]. 邓正栋,叶欣,关洪军,于德浩. 解放军理工大学学报(自然科学版). 2013(01)
[6]基于神经网络技术的多因子遥感水深反演模型[J]. 梁志诚,黄文骞,杨杨,张洋洋. 测绘工程. 2012(04)
[7]卫星遥感多光谱浅海水深反演法[J]. 张振兴,郝燕玲. 中国航海. 2012(01)
[8]基于粒子群神经网络的期货价格预测[J]. 王海军,白玫,贾兆立,覃丽萍. 计算机工程与设计. 2009(10)
[9]基于BP人工神经网络的水体遥感测深方法研究[J]. 王艳姣,张鹰. 海洋工程. 2005(04)
[10]一种动态改变惯性权的自适应粒子群算法[J]. 张选平,杜玉平,秦国强,覃征. 西安交通大学学报. 2005(10)
本文编号：3213682
本文链接：https://www.wllwen.com/kejilunwen/haiyang/3213682.html
