【摘要】：以大型內(nèi)陸淺水湖泊一太湖為例,采用RBF(Radial Basis Function)神經(jīng)網(wǎng)絡(luò)建立該研究區(qū)域的葉綠素a濃度與同步影像數(shù)據(jù)的反演模型,較分析現(xiàn)今應(yīng)用最廣泛使用的BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)模型,并通過對模型的驗證、穩(wěn)定性和魯棒性分析評價了兩種模型的泛化能力。結(jié)果表明,常規(guī)的BP神經(jīng)網(wǎng)絡(luò)模型收斂速度慢,極容易陷入局部最優(yōu)解,而RBF比BP模型有更加優(yōu)異的函數(shù)逼近、分類和模式識別能力,對反演葉綠素a濃度具有很強(qiáng)的泛化能力。
【圖文】：

別、系統(tǒng)模擬等諸多領(lǐng)域［6］。本研究選用ＲBF模型反演葉綠素a濃度，ＲBF網(wǎng)絡(luò)可任意精度逼近任意非線性模型，并且具有全局逼近能力［7］，從而實現(xiàn)全局最優(yōu)，從根本上解決廣泛使用的BP模型的局部最優(yōu)解問題，且收斂速度很快，結(jié)構(gòu)緊湊［8-9］。1ＲBF神經(jīng)網(wǎng)絡(luò)1．1網(wǎng)絡(luò)結(jié)構(gòu)徑向基函數(shù)網(wǎng)絡(luò)(ＲBFnetwork)，最初由MOODYJ．和DAＲKENC．提出的一種神經(jīng)網(wǎng)絡(luò)，如今已有學(xué)者提出了不同版本［10-11］。該網(wǎng)絡(luò)模型是一種具有3層結(jié)構(gòu)的前向神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層［12］，其模型基本結(jié)構(gòu)見圖1。圖1ＲBF神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖Fig．1ＲBFneuralnetworkstructurechart上圖1中輸入數(shù)據(jù)X=［X1，X2，．．．，Xn］T是一個n維向量，隱含層使用一個非線性函數(shù)將訓(xùn)練數(shù)據(jù)從輸入層向隱含層傳遞。隱含層的第j個節(jié)點與輸入層的第i個訓(xùn)練數(shù)據(jù)存在著如下關(guān)系:φj(xi)=φ(xi－cj)j=1，2，．．．，m(1)式中:cj為隱含神經(jīng)元的中心，為歐幾里德范數(shù)，φ為非線性激活函數(shù)，有多種類型，在本研究中，，采用最流行的高斯函數(shù)作為隱含層中的傳遞函數(shù)，即:φj(x)=exp－x－cj22σ[]2(2)式中:x為輸入層訓(xùn)練數(shù)據(jù)，σ為隱含層節(jié)點的場域?qū)挾�。在神�?jīng)網(wǎng)絡(luò)中每個隱含層中的場域?qū)挾群蛨鲋行氖歉叨认嚓P(guān)的。隱含層節(jié)點通過加權(quán)后輸出，即:y=w0+∑mj=1wjφj(x)σi∈Ｒn(3)式中:m為隱含層神經(jīng)元個數(shù)，wj為隱含層第j個神經(jīng)元的基函數(shù)與輸出節(jié)點的連接權(quán)值，w0為調(diào)整輸出的偏移量。1．2學(xué)習(xí)過程ＲBF學(xué)習(xí)算法通常有4種:自組織選取中心(self-organizedcenters，SOC)、正交最小二乘(or-thogonalleastsquares，OLS)、有監(jiān)督選取中心(su-perv

第11期曹紅業(yè)等:基于ＲBF模型的太湖北部葉綠素a濃度定量遙感反演2基于ＲBF模型的葉綠素a濃度反演2．1數(shù)據(jù)獲取與預(yù)處理2．1．1同步實測數(shù)據(jù)2009年10月6日，在太湖北部選取了25個實測數(shù)據(jù)(見圖2)，其中15個樣本構(gòu)建反演模型，剩余10個樣本驗證模型的預(yù)測效果。而15個建模樣本中10個樣本作為訓(xùn)練樣本，其余5個作為模型測試樣本。使用ＲBF和BP兩種算法分別對葉綠素a濃度進(jìn)行預(yù)測，算法采用的樣本數(shù)據(jù)完全一致。圖2太湖北部采樣點分布圖Fig．2DistributionofsamplingpointsinnorthernpartofLakeTaihu2．1．2影像數(shù)據(jù)獲取與預(yù)處理衛(wèi)星影像為同步的HJ-1BCCD遙感影像數(shù)據(jù)，遙感影像數(shù)據(jù)雖然經(jīng)過了幾何粗校正，但仍存在較大的幾何畸變，并受大氣吸收、散射等因素的影響，不能直接將其應(yīng)用于實驗反演研究。為了削弱甚至消除幾何畸變影響，獲取地物真實光譜反射率，必須要對遙感影像進(jìn)行必要的預(yù)處理。圖3遙感影像預(yù)處理過程Fig．3Pre-treatmentprocessofimages利用太湖區(qū)域已經(jīng)過精校正的Landsat-TM影像作為基準(zhǔn)圖像，完成對HJ-1BCCD影像的精校正;讀取HJ-1B/CCD數(shù)據(jù)頭文件中的絕對定標(biāo)參數(shù)，將遙感影像DN(DigitalNumber)值轉(zhuǎn)換成輻亮度值，完成輻射定標(biāo)處理;大氣校正采用相對成熟的ENVI自帶的FLAASH模塊，削弱甚至消除一定大氣組成分對地物光譜吸收和散射方面的影響。2．2模型的參數(shù)設(shè)置2．2．1BP模型參數(shù)設(shè)置BP神經(jīng)網(wǎng)絡(luò)參數(shù)根據(jù)文獻(xiàn)［13-14］設(shè)置，訓(xùn)練函數(shù)為trainlm，隱含層結(jié)點個數(shù)為20，最小均方誤差為10－8，最大訓(xùn)練次數(shù)為1000，隱含層和輸出層的變換函數(shù)為tansig和purelin。2．2．2ＲBF模型參數(shù)設(shè)置對于ＲBF模型:輸入層神經(jīng)元個數(shù)設(shè)置為4，即4個波段上的信息作為反演模型的輸入向量;而輸出層神經(jīng)元個數(shù)設(shè)置?
【作者單位】： 西南交通大學(xué)地球科學(xué)與環(huán)境工程學(xué)院;
【基金】：北京市自然科學(xué)基金資助項目(8142014)
【分類號】：X87

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊曉華,楊志峰,沈珍瑤,酈建強(qiáng);區(qū)域水資源開發(fā)利用程度評價的RBF網(wǎng)絡(luò)模型[J];環(huán)境科學(xué);2004年S1期

2 彭馥艷;丁輝;趙源;;基于RBF網(wǎng)絡(luò)的大氣環(huán)境質(zhì)量評價[J];水土保持研究;2006年05期

3 劉慧明;劉亮;董洪燦;;基于RBF網(wǎng)絡(luò)的模型參考自適應(yīng)控制[J];青島科技大學(xué)學(xué)報(自然科學(xué)版);2008年01期

4 趙芳;孟凡榮;;基于RBF網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測研究[J];微計算機(jī)信息;2009年03期

5 顏勇,酈建強(qiáng),陸桂華,楊曉華,楊志峰;環(huán)境質(zhì)量綜合評價的RBF網(wǎng)絡(luò)方法[J];河海大學(xué)學(xué)報(自然科學(xué)版);2005年01期

6 楊胡萍;白慧;劉家學(xué);張力;;基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測[J];東華大學(xué)學(xué)報(自然科學(xué)版);2008年02期

7 夏繼偉;欒航;吳晶;;基于RBF神經(jīng)網(wǎng)絡(luò)的港口大氣污染預(yù)警研究模型[J];商業(yè)文化(學(xué)術(shù)版);2007年07期

8 張曉亮;;一種改進(jìn)的RBF網(wǎng)絡(luò)在電力系統(tǒng)短期負(fù)荷預(yù)測中的應(yīng)用[J];煤礦機(jī)電;2008年03期

9 李強(qiáng);田大林;夏迎迎;付煒;王亦飛;于遵宏;;新型兩段組合式氣化產(chǎn)氣熱值的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型及遺傳算法優(yōu)化[J];計算機(jī)與應(yīng)用化學(xué);2008年10期

10 李磊;李劍;馬建華;;RBF神經(jīng)網(wǎng)絡(luò)在土壤重金屬污染評價中的應(yīng)用[J];環(huán)境科學(xué)與技術(shù);2010年05期

相關(guān)會議論文 前10條

1 張琳;李海森;;基于模糊聚類算法的RBF網(wǎng)絡(luò)在漏鋼預(yù)報中的應(yīng)用[A];中國計量協(xié)會冶金分會2007年會論文集[C];2007年

2 彭正勇;;基于RBF神經(jīng)網(wǎng)絡(luò)的巷道圍巖松動圈厚度預(yù)測[A];全國金屬礦山采礦新技術(shù)學(xué)術(shù)研討與技術(shù)交流會論文集[C];2007年

3 王海榮;;基于遺傳RBF網(wǎng)絡(luò)時間序列的城市火災(zāi)預(yù)測[A];提高全民科學(xué)素質(zhì)、建設(shè)創(chuàng)新型國家——2006中國科協(xié)年會論文集（下冊）[C];2006年

4 王瑋;何建新;許麗生;;基于RBF神經(jīng)網(wǎng)絡(luò)的氣溫預(yù)報模型的研究[A];中國氣象學(xué)會2008年年會第二屆研究生年會分會場論文集[C];2008年

5 宋宜斌;王培進(jìn);;一種改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型[A];2005年中國智能自動化會議論文集[C];2005年

6 李亞芬;楊揚(yáng);;基于RBF網(wǎng)的CSTR內(nèi)模控制[A];第二十屆中國控制會議論文集（下）[C];2001年

7 王俊松;田庫;劉玉敏;張興會;李建國;劉玉亮;;基于RBF神經(jīng)網(wǎng)絡(luò)的腫瘤組織熱傳導(dǎo)過程建模及軟測量[A];第25屆中國控制會議論文集（上冊）[C];2006年

8 徐中;辛志東;葉希貴;;基于RBF神經(jīng)網(wǎng)絡(luò)水處理系統(tǒng)建模與仿真[A];第六屆全國表面工程學(xué)術(shù)會議論文集[C];2006年

9 黃艷清;曹長修;孫圣軍;;基于自反饋RBF神經(jīng)網(wǎng)絡(luò)的高爐熱狀態(tài)預(yù)測模型[A];冶金企業(yè)自動化、信息化與創(chuàng)新——全國冶金自動化信息網(wǎng)建網(wǎng)30周年論文集[C];2007年

10 呂強(qiáng);郝繼紅;段運(yùn)波;許耀銘;;基于RBF網(wǎng)絡(luò)的非線性系統(tǒng)輸出跟蹤控制[A];1994中國控制與決策學(xué)術(shù)年會論文集[C];1994年

相關(guān)博士學(xué)位論文 前2條

1 趙斌;基于RBF網(wǎng)絡(luò)的北方溫室溫濕度控制機(jī)理的研究[D];東北林業(yè)大學(xué);2010年

2 曾祥萍;自適應(yīng)組合RBF濾波器理論及其應(yīng)用研究[D];西南交通大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 杜盟盟;基于RBF神經(jīng)網(wǎng)絡(luò)的機(jī)械手軌跡跟蹤控制方法研究[D];河南科技大學(xué);2015年

2 王翠;基于灰色理論和RBF神經(jīng)網(wǎng)絡(luò)民航客運(yùn)量預(yù)測方法研究[D];北京交通大學(xué);2008年

3 尹德武;RBF的改進(jìn)及在中國轎車市場預(yù)測中的應(yīng)用研究[D];大連理工大學(xué);2006年

4 翟偉;基于自適應(yīng)RBF神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信貸風(fēng)險預(yù)警評估研究[D];重慶工商大學(xué);2008年

5 李志強(qiáng);基于RBF神經(jīng)網(wǎng)絡(luò)在線辨識的永磁無刷直流電機(jī)單神經(jīng)元自適應(yīng)PID控制[D];天津大學(xué);2005年

6 高彥荷;基于混合遞階遺傳算法的RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化及應(yīng)用[D];四川大學(xué);2004年

7 張晶;基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的入侵檢測研究[D];河北大學(xué);2009年

8 劉亦青;類RBF人工神經(jīng)網(wǎng)絡(luò)算法研究及硬件實現(xiàn)[D];北京建筑大學(xué);2013年

9 孟萌萌;基于RBF神經(jīng)網(wǎng)絡(luò)短期熱網(wǎng)負(fù)荷預(yù)測研究[D];哈爾濱工業(yè)大學(xué);2013年

10 劉婧;基于BP、RBF及GAAA-RBF神經(jīng)網(wǎng)絡(luò)的工程估價方法[D];華僑大學(xué);2013年

本文編號：2533975