海面溢油油种激光遥感ANN探测方法的研究讲解.docx

海面溢油油种激光遥感ANN探测方法的研究讲解.docx

《海面溢油油种激光遥感ANN探测方法的研究讲解.docx》由会员分享，可在线阅读，更多相关《海面溢油油种激光遥感ANN探测方法的研究讲解.docx（8页珍藏版）》请在冰豆网上搜索。

海面溢油油种激光遥感ANN探测方法的研究讲解

第23卷　第1期

海洋环境科学

Vol.23,No.12004年2月

MARINEENVIRONMENTALSCIENCE

Feb.2004

海面溢油油种激光遥感ANN探测方法的研究

林　彬,安居白

（大连海事大学　信息工程学院,辽宁　大连　116026

摘　要:

目前激光荧光遥感是探测海面溢油最有效的工具。

作者将神经网络（ANN的自组织特征映射SOM模型引入激光遥

感的荧光光谱鉴别领域。

本文主要进行的是理论建模和分析工作,而且用计算机软件方法实现了神经网络的模式识别和分类功能,对推广能力进行了实验分析。

经过改进神经网络已具有比较理想的推广能力,并认为SOM应作为溢油识别的较理想方法。

关键词:

神经网络;激光荧光遥感;模式识别;SOM中图分类号:

X55;X87　　文献标识码:

A　　文章编号:

100726336（20040120047203

StudyondetectionmethodofspilledoilatseabyANNoflaserremotesensor

LINBin,ANJu2bai

（CollegeofInformationEngineering,DalianMaritimeUniversity,Dalian　116026,China

Abstract:

Inthispaper,anartificialneuralnetwork（ANNapproachisappliedforthespectraldataanalysisandmodelofairbornelaserfluorosensorinordertodifferentiatebetweenclassesofoilatsea.TheSOMnetworkusedandANNaretrainedandtestedusingthesampledatasettothenetwork.TheANNmodelsintheorywasnotonlydeveloped,butalsocompletedsoftwarepackageforspectraintelligentanalysisfortheairbornedetectionofoilspillsatseabylaser2inducedfluorescence.TheANNmodelwouldplayasignificantroleintheoceanoil2spillidentificationinthefuture.

Keywords:

ANN;laser2inducedfluorescenceremotesensing;patternrecognition;SOM

　　目前在已投入的监测系统中,激光荧光航空遥感最适合于探测海面溢油以及陆地/海滩溢油,是最重要和最有效的技术手段[1]。

激光荧光海洋环境航空遥感监测系统硬件部分的软件部分尤其是涉及到计算机智能信息处理的算法方面是目前的研究热点与技术难点。

本研究采用加拿大环境遥感技术中心提供的各种纯物质的光谱指纹数据,这是进行溢油监测的最基本的依据。

图1（a～（h

图1　8种纯物质激光荧光指纹光谱

Fig.1　Printfingersspectraof8puresubstancesbylaser2inducedfluorescenceremotesensor

收稿日期:

2003204216,修改稿收到日期:

2003206209作者简介:

林　彬（19772,女,广东省新会市人,工学硕士,主要从事人工智能与专家系统、海洋环境遥感、模式识别等方向的研究工作。

是8种纯物质的激光荧光指纹光谱。

另外还有加拿

大环境遥感技术中心提供的飞行测试数据,用于算法的性能测试。

由于自组织特征映射SOM神经网

络用于各种模式识别问题非常成功[2]

。

本文首次将

ANN的SOM模型引入激光遥感领域,对激光遥感探测海面溢油的荧光谱进行智能分析识别。

1　海面溢油识别的ANN理论建模

1.1　SOM神经网络的结构设计

SOM网络的结构设计如图2,由输入层和竞

争层构成,是无导师竞争的学习网络

。

图2　SOM网络结构示意图

Fig.2　SchematicdiagramofSOMNN

　　输入层:

输入层同样有64个神经元,输入矢量P是一个64×n矩阵,列向量相应于各个输入训练样本矢量（荧光光谱数据的相对强度,列数n为训练光谱样本的数目。

竞争层:

采用了二维输出阵列。

由于SOM能将任意维输入模式在竞争层映射成一维或二维离散图形,并保持其拓扑结构不变,在竞争层将分类结果表示出来。

每一输出神经元节点对应于一个聚类中心[3]。

因而自组织映射网络的维数越大,聚类中心越分散,分类的准确率才会越高,但维数增加也会导致训练时间延长,只有通过设定不同网络维数值的比较实验,才能获得比较理想的SOM网络。

1.2　SOM网络的学习训练算法在SOM网络的学习过程中,完成聚类是靠在训练中调节输入到各个输出节点的各权值来进行的。

SOM网络的学习训练算法可描述如下:

（1初始化。

对权向量{wij}赋[0,1]区间随机数（j=1,2,…,m;m是竞争层神经元的数目;设置初始学习速率η（t（t=0（0<η<1和最大训练次数T;建立初始优胜邻域Ng（t（t=0。

（2接受输入。

从训练光谱样本集中随机选取一个输入模式Pk（k=1,2,…,9,并将Pk进行归一化处理得到pk∈[0,1],输入到网络的输入层。

PK

=‖pk‖=（pk

pk

…,pk

[（pk12+（pk22+…+（pk

642]1/2

。

（3对权值wj进行标准化得到wj∈[0,1],并计算wj和pk之间的欧氏距离（Euclideandistance

dj∶wj=‖wj‖=（[（wj12

+（wj22+…+（wj642]1/2,dj=[

∑

64

i=1

（pk

i-wji2]1/2。

（4选择最小的距离dg,确定获胜神经元g:

dg=min[dj],j=1,2…,m。

（5进行连接权的调整,对竞争层邻域Ng（t

内的所有神经元与输入层神经元之间的连接权进

行修正。

wji（t+1=wji（t+η（t・[pk

i-

wji（t]j∈Ng（t,j=1,2,…,m,[0<η（0>

1],η（t=η（0（1-

T

。

（6选取另一学习模式提供给网络输入层,返回步骤（3,直至所有学习模式全部提供给网络。

（7更新学习率η（t和Ng（t:

η（t=η（0

（1-

T

。

式中:

η（0为初始学习率;t为学习次数;T为总的学习次数。

设竞争层某神经元g在二维阵列中的坐标值为（xg,yg,则邻域的范围是以点〔（xg+Ng（t,yg

+Ng（t〕

和点〔（xg-Ng（t,yg-Ng（t〕为右上角和左下角的正方形,其修正公式为:

Ng（t=int

[Ng（t（1-T

]。

式中:

int[x]为取整符号;Ng（0为Ng（t的初始值。

（8令t=t+1,返回步骤（2,直至t=T为止。

2　系统测试结果与推广能力分析

我们将光谱样本分为训练样本集和测试样本集,训练样本用于网络的训练阶段,测试样本用于网络性能的测试阶段。

2.1　神经网络识别考核指标

我们在进行溢油光谱识别时,不是只考虑到它能够保证对所用的训练样本进行正确的分类,而且还考虑到此神经网络经过训练后,能不能对未见过的或有噪声污染的光谱模式,进行正确的识别。

这里所说的对未见过的模式进行正确识别能力就是指分类识别器的推广能力。

本质上讲,推广能力就是分类识别器“举一反三”的能力。

从数学上,推广能

力被定义为分类识别器对未“见过”

（未参加训练网络的随机模式,在网络输出端被正确识别的概率。

对于任意抽取的随机模式矢量X,经训练好的网络测试,假设在网络输出端得到的实际输出矢

8

4　　　　　　　　　　　　　　　　　　海　洋　环　境　科　学　　　　　　　　　　　　　　　　　第23卷

量为y,对应正确的期望输出矢量为d,则推广能力用数学表达式表示为:

Gc=Py{y=d}。

G值越大,网络的推广能力越强。

2.2　溢油光谱神经网络识别的推广能力分析

为了考察溢油光谱神经网络识别方法的推广

能力,我们随机选择30个激光荧光光谱作为测试光谱模式。

测试光谱样本集由2种方式组织:

（1随机地对已知光谱样本加入5%～10%的干扰;

（2未经网络训练过的光谱样本（表1。

由表1可见,在随机选择的30个待识别的测表1　30个光谱的NN识别结果

Tab.1　Theresultofidentificationfor30spectra

ID3正确结果实验结果ID正确结果实验结果ID正确结果实验结果1叶绿素　叶绿素　11叶绿素　叶绿素　21柴油　柴油　　2润滑油　润滑油　12沙子　　石头　　22重油　重油　　3沙子　　石头　　13原油　　原油　　23海水　海水　　4原油　　原油　　14叶绿素　叶绿素　24叶绿素叶绿素　5柴油　　柴油　　15沙子　　石头　　25原油　原油　　6叶绿素　叶绿素　16原油　　原油　　26海水　海水　　7海水　　海水　　17海水　　海水　　27重油　航空柴油8航空柴油航空柴油18重油　　航空柴油28原油　原油　　9重油　　重油　　19原油　　原油　　29石头　石头　　　3ID—待识别的光谱序号。

试光谱样本实验中,SOM正确识别的样本数目为25,NN系统的推广能力为8313%,推广能力良好。

SOM网络的训练时间为49s,经过训练以后,可立即获得对于测试光谱数据的输出响应。

另外,SOM神经网络系统的均方差为010096。

2.3　增强推广能力的途径

我们认为增加训练样本的数量可作为增强推广能力的一个途径,使分类识别器见识更多的模式,这是第一种方法。

由于光谱样本数量有限,没有更多样本来考察第一种途径的可行性和有效性。

第二个途径是增加SOM自组织映射网络竞争层的维数。

我们以实验的方式考察第二种途径的可行性和有效性。

实验中,在其他参数不变的情况下,网络的维数逐渐增加,SOM网络性能比较结果如表2所示。

表2　SOM设置不同网络维数的性能比较Tab.2　ThecomparisonresultofSOMonsetting

differentsizeofneuralnetwork

网络维数NN训练时间/sNN均方差

正确识别样本数SOMNN

推广能力/（%

[11,4]42.040.01822583.3[12,5]44.160.01192686.6[13,5]49.880.00962790　[12,6]58.240.00892893.3[13,6]

65.48

0.008

1

29

96.6

实验表明,在其他参数不变的情况下,增加网络维数重新训练,确实能够增强分类器的推广能力,但是神经网络的训练时间也随之增加。

此外,在数次反复实验中,发现在神经网络训练时必须设置适当的训练参数,以下参数的初始化尤为重要:

（1网络的最大训练步数不能小于等于200,越大

分类效果越好,网络训练时间越长;（2SOM网络的目标性能误差不能大于0101,越小分类效果越好,网络训练时间越长;（3SOM网络的学习速率不能大于0105,越小分类效果越好,神经网络训练时间越长。

以上各参数值均来自大量的反复仿真实验,是实验积累的经验值。

实验表明:

如果神经网络的主要初始参数都在上述值域范围内,神经网络的分类效果会非常理想。

我们在设置神经网络训练参数时也同样必须权衡神经网络精确性和快速处理时间性要求的关系[4]。

3　结　论

在溢油种类识别方面,SOM网络由于其自组织自适应的学习能力,网络通过训练,自动对输入模式进行分类,因而是十分有效和先进的分类识别网络,作者认为SOM网络模型可作为溢油识别比较理想的方法。

此外,虽然本文研究的只是海洋污染的溢油污染领域,实际上其理论和方法完全可推广至遥感监测海洋环境的其他邻域,如赤潮、藻类、叶绿素、CDOM的监测及海洋参数估算等。

参考文献:

[1]　CARLEB.Locatingspilledoilwithairbornelaserfluorosensors

[A].ProceedingsofSPIEReprint[C].Boston:

SPIE,1998.5822588.

[2]　安居白.智能信息处理[M].大连:

大连海事大学出版社,

1999.

[3]　黄德双.神经网络模式识别系统理论[M].北京:

电子工业

出版社,1996.

[4]　戴　葵.神经网络实现技术[M].长沙:

国防科技大学出版

社,1993.

9

4第1期　　　　　　　　　　林　彬等:

海面溢油油种激光遥感ANN探测方法的研究