孙 静

( 黎明职业大学 智能制造工程学院，福建 泉州 362000 )

0 引言

红树林是热带、亚热带海湾、河口泥滩上的木本植物群落，它不仅可为许多海洋动物提供理想的栖息地，而且还在维护海岸生态平衡以及防风减灾、固岸护堤、净化海洋、保护耕地等方面具有重要作用[1].我国的红树林主要分布在浙江等东南沿海地区，据统计共有37种，分属20科、25属[2].近些年，因为地产开发、海水养殖等原因我国的红树林湿地面积呈大幅度减少趋势，因此急需加强对红树林湿地的监测和保护.由于红树林的生长地域较为特殊，难以对其进行常规的野外调查，因此目前广泛应用遥感技术对其进行监测.但因遥感技术覆盖范围较大，空间分辨率低，且红树林遥感数据光谱特征和其他植物存在着大量的同物异谱和异物同谱的现象[3]，因此需要借助其他的图像识别方法对其进行识别.目前，常见的图像识别方法有统计模式识别、结构模式识别、基于神经网络的人工智能模式识别等[4].基于神经网络的人工智能模式识别法是一种能够模拟人脑神经元细胞的网络结构对信息进行加工、处理、存储和搜索的模式识别，其不仅具有很好的鲁棒性和容错性，而且对噪声和信息损失也具有良好的适应性，因此近年来被广泛应用到文字识别、语音识别、指纹识别、人脸识别等领域.但传统神经网络存在训练时间较长、算法容易陷入局部极值、不能完全训练等问题.为此，本文提出了一种使用协同神经网络[5]算法的红树林图像识别方法，并通过实验验证了该方法的有效性.

1 协同神经网络算法

1973年，H.Haken[6]首次提出了将协同理论应用到模式识别的协同神经网络算法.该算法的实现方法是：首先利用待测试模式q和原型模式构造一定数目的序参量，然后根据序参量动力学方程对系统进行演化，以此驱使待测试模式q从中间状态q(t)进入某个原型模式vk中，进而实现对q的识别[7].该理论假设原型模式的数量为M，满足图像模式识别的动力学方程为：

(1)

(2)

可将状态向量q分解为原型向量vk和剩余向量w，如式(3)所示：

(3)

可将式(1)描述成为一个求势函数极值的过程，若忽略动力学方程(1)中的F(t)和暂态量，则可得到该方程式的协同势函数：

(4)

将序参量代入式(4)可得到与协同势函数相应的序参量动力学方程式和势函数：

(5)

(6)

(7)

(8)

2 基于协同神经网络的红树林识别模型

2.1 协同神经网络识别步骤

根据上述算法，本文选取不同的红树林图像进行网络识别，识别步骤如下：

Step 4 利用序参量ζk动力学方程对系统进行演化.

Step 5 判断序参量ζk(t)演化过程是否稳定，若演化过程稳定，则执行Step 6；否则，跳转至Step 4.

Step 6 将演化稳定的序参量按式(9)进行投影，以此最终完成红树林图像的识别过程.

(9)

2.2 实验与分析

实验选取8种红树林的图像作为训练样本，利用协同神经网络对红树林进行分类试验，图像大小均为320×320，即每个图像用一个102 400维向量来描述.训练样本的原型模式vk如图1所示.

图1 红树林训练样本原型

针对识别红树林图像过程中存在的噪声干扰、角度变换、图像残缺等问题，本文在这3种情况中各选出1张图像作为训练样本并输入到协同神经网络中进行识别.协同神经网络的分类识别性能由动力学方程式中的参数λk、B、C共同决定.当λk=B=C>0时，H.Haken证明了动力学方程(5)具有如下性质：①网络最终能收敛到某个原型目标模式；②系统的终态取决于原始输入向量的序参量值，最终只有一个序参量ζk趋向于1，而其他序参量趋向于0，即系统最终只能识别出一个模式[10].根据上述动力学方程(5)的性质和协同神经网络的识别步骤，本文首先采用平衡参数法进行识别实验，即取λk=B=C=1对图像进行识别.实验利用Matlab软件进行.实验的识别结果如表1所示，其中：第1列为输入的待识别样本；第2列为输入对应识别样本后通过协同神经网络算法得到的序参量演化曲线；横轴为系统的迭代次数，这里选取迭代次数为100；纵轴为序参量ζk；第3列为输出的识别结果.从表1中的序参量演化曲线可以看出,随着迭代次数的增加，最终只有一个序参量趋向于1，其对应的vk是识别出的原型模式，而其他序参量则衰减为0.该识别实验结果表明，利用协同神经网络算法能够实现对加噪、旋转、残缺的红树林图像进行快速的识别.

表1 采用协同神经网络识别红树林图像的实验结果

3 基于微粒群算法(PSO)的网络参数优化

对上述实验样本进行网络测试时，由于网络参数均采用了λk=B=C=1，因此系统失去了对网络进一步识别的能力.为了进一步增强系统的识别能力，本文采用基于微粒群算法(PSO)的参数优化方法对协同神经网络参数进行优化.PSO参数优化方法具有操作简单、耗时短、收敛速度快等优点，目前被广泛应用在函数优化、图像处理等方面[11].

PSO算法将每个个体看作是D维搜索空间中的一个微粒，这些微粒在搜索空间中以一定的速度飞行.假设：第i个粒子在D维空间中的位置为Xi=(xi1,xi2,…,xi D),i=1,2,…,N；第i个粒子的飞行速度是一个D维的向量，记为Vi=(vi1,vi2,…,vi D),i=1,2,…,N.第i个粒子搜索到的最优位置称为个体极值，记为pbest=(pi1,pi2,…,pi D),i=1,2,…，N；整个粒子群当前搜索到的最优位置为全局极值，记为gbest=(pg1,pg2,…,pgD).粒子通过跟踪两个极值(pbest，gbest)来更新自己.粒子更新自己的速度和位置的公式为：

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为学习因子，r1和r2为[0，1]范围内的均匀随机数[12-13].

采用PSO算法的网络参数优化步骤如下：

Step 1 初始化一群微粒(群体规模为N).随机的初始位置为xi，速度为vi，且每个个体表示一个(λk,B,C)的集合.

Step 2 评价每个微粒的适应度.将每个微粒当前位置的适应值与其所经历过的最好位置pbest进行比较，如果当前位置的适应值更高，则用适应值替换pbest.

Step 3 将每个微粒当前位置的适应值与其在全局所经历过的最好位置gbest进行比较，如果当前位置的适应值更高，则用适应值替换全局极值gbest.

Step 4 根据公式(10)、(11)调整微粒的速度和位置.

Step 5 如未达到结束条件(通常为足够好的适应值或达到一个预设的最大代数Gmax)，则返回到Step 2.

4 实验对比分析

图2 待识别样本b(榄李属)

1)选取红树林训练样本图片中的图1(b)进行识别实验.首先对图片进行旋转、加噪，得到的待识别样本如图2所示.然后对待识别图像(图2)分别采用平衡参数和PSO参数优化方法进行分类识别实验.

首先利用平衡参数算法将待识别的样本输入到协同神经网络中，参数取B=C=λk=1.图像识别的过程和结果如图3所示.由图3可以看出，识别结果为红树林图片中的图1(g)角果木属，并非图1(b)榄李属，即识别错误.

其次使用PSO算法优化网络参数对图像进行识别，结果如图4.由图4可以看出，识别结果为红树林图1(b)榄李属，识别正确.

图3 采用协同神经网络算法识别图像的过程和结果

图4 采用基于PSO的协同神经网络参数优化方法识别图像的过程和结果

2)取8张红树林图像作为训练样本进行图像识别实验.首先对8张训练样本进行加噪、旋转、伸缩、裁剪等处理，得到50张待识别图像；然后分别采用上述两种方式进行识别，并计算各自的图像识别率.

采用基于PSO的协同神经网络参数优化方法计算图像识别率时，设定初始群体个数为20，群体最多迭代次数为20，惯性权重w取0.5,学习因子取c1=c2=2，由此得到的收敛曲线如图5所示.图5中横坐标为迭代次数，纵坐标为识别率.从图5中可以看出，基于PSO的协同神经网络参数优化方法对图像的最优识别率可达到88.0%，显著优于传统的协同神经网络算法的识别率.

图5 采用基于PSO的协同神经网络参数优化方法的图像识别收敛曲线

5 结论

本文根据红树林物种的特性，在协同神经网络算法的基础上提出了一种基于PSO的协同神经网络参数优化方法.通过Matlab软件实验证明，本文提出的算法对红树林的识别精度达到88.0%，显著优于平衡参数条件下的算法(78.0%)，因此本文算法具有较好的实用价值.在今后的研究中,我们将结合其他算法(如遗传算法)对网络参数进行优化，以进一步提高本文方法的识别率.