CN105913123B - 基于自动编码器和多层感知器网络的黄河主溜光谱建模方法 - Google Patents

Abstract

本发明公开了一种基于自动编码器和多层感知器网络的黄河主溜光谱建模方法，用于解决现有建模方法自适应性差的技术问题。技术方案是综合考虑水分子的吸收系数和散射系数，泥沙颗粒的吸收系数和散射系数，光的入射角，水层向上散射角等诸多因素；采用自动编码器后接多层感知器形成的神经网络结构，利用训练数据进行学习，最终获得黄河主溜光谱模型。自动编码器具有去除冗余信息，对噪声鲁棒的特点，因此有利于获得鲁棒的参数估计结果。本发明建立的黄河主溜光谱模型结合主溜成因，综合考虑了水体、泥沙、光照等方面的因素，采用自动编码器和多层感知器网络作为模型参数估计方法，能够更具数据自动获得具体模型参数，具有良好的可扩展性和自适应性。

Description

基于自动编码器和多层感知器网络的黄河主溜光谱建模方法

技术领域

本发明涉及一种建模方法，特别涉及一种基于自动编码器和多层感知器网络的黄河主溜光谱建模方法。

背景技术

多光谱遥感图像能够在捕获地物空间信息的基础上，同时捕获其在若干光谱波段上的反射信息。近年来，随着遥感技术的不断发展，多光谱遥感图像已经被广泛应用于水体区域的识别和提取、水质检测、洪灾监控等与国计民生密切相关的领域。黄河主溜是黄河河道中流速最大、水动量最大、含沙量大、河床最深处的一股水流。根据多光谱图像的光谱信息能够在一定程度上反映相应空间位置上地物的物理特性这一原理，黄河主溜在遥感图像上呈现的光谱特征将受到水流、光照、含沙量等因素的影响。建立黄河主溜光谱特征描述模型，能够揭示黄河主溜特征与遥感图像信息之间的关系，对后续进行基于遥感图像的黄河主溜信息提取等任务具有重大意义。

文献刘茜等在文献“基于高光谱数据的MODIS影像的鄱阳湖悬浮泥沙浓度估算，刘茜等，遥感技术与应用，2008年，第23卷，第1期”公开了一种鄱阳湖地区的悬浮泥沙的监测模型。该模型首先从经过大气矫正的遥感图像中提取水体区域，然后采用回归分析方法对模型进行参数拟合。然而，该模型没有考虑水体流速、光照等其他因素，并且无法揭示泥沙的存在与图像光谱特性之间的关系。

发明内容

为了克服现有建模方法自适应性差的不足，本发明提供一种基于自动编码器和多层感知器网络的黄河主溜光谱建模方法。该方法综合考虑水分子的吸收系数和散射系数，泥沙颗粒的吸收系数和散射系数，光的入射角，水层向上散射角等诸多因素；采用自动编码器后接多层感知器形成的神经网络结构，利用训练数据进行学习，最终获得黄河主溜光谱模型。自动编码器具有去除冗余信息，对噪声鲁棒的特点，因此有利于获得鲁棒的参数估计结果。本发明建立的黄河主溜光谱模型结合主溜成因，综合考虑了水体、泥沙、光照等方面的因素，采用自动编码器和多层感知器网络作为模型参数估计方法，能够更具数据自动获得具体模型参数，具有良好的可扩展性和自适应性。

本发明解决其技术问题所采用的技术方案：一种基于自动编码器和多层感知器网络的黄河主溜光谱建模方法，其特点是包括以下步骤：

步骤一、根据黄河主溜的水流速度、泥沙含量、河床深度和水体宽度建立黄河主溜光谱模型，具体如下：

y＝f(x),x＝[β_w,β_s,α_w,α_s,θ,Θ,p_w(Θ),p_s(Θ),v] (1)

其中，y是需要的遥感特征机理表示，x为所有相关因素组成的输入向量。β_w、β_s分别为水分子、水中泥沙颗粒的散射系数，α_w、α_s分别为水和泥沙的吸收系数，θ为水体中光的入射角，Θ为水层垂直向上的散射角，p_w(Θ)、p_s(Θ)分别为水和泥沙散射的相函数，v为水体流速。

步骤二、建立自动编码器和多层感知器网络结构。网络的输入层L₁由九个节点构成，每个节点代表一个式(1)中x的各个分量。L₂层由五个节点组成，L₂层的激励函数是Sigmoid函数。L₃层节点数为九，激励函数是Sigmoid函数，L₃层输出表示输入层数据去噪后的结果。L₄层由256个节点构成，各节点激励函数均为Sigmoid函数。输出层L₅共有七个节点，共同构成一个光谱特性向量，L₅层激励函数为Σ函数。

步骤三、将模型参数的估计所用的神经网络看作是自动编码器网络和多层感知器网络的首尾连接构成的，其训练步骤分为自动编码器网络的训练过程和多层感知器网络的训练过程两部分。

对于自动编码器网络，首先进行前向传播，具体过程如下：

其中，z⁽²⁾为L₂各节点的输入，b⁽¹⁾表示偏置，W⁽¹⁾代表权重，a⁽²⁾表示L₂层的输出。继续完成L₂层到L₃层的前向传播过程。

自动编码器网络的反向传播过程将误差由后层传向前层，实现对网络参数的调整，具体过程为：

定义网络的代价函数为其中，a⁽³⁾为L₃层的输出。在该代价函数定义下，希望a⁽³⁾尽可能的等于x。反向传播过程中网络参数更新如下：

其中，W^(l)为第l层的权重，b^(l)为第l层的偏置，α为网络学习率。

对于多层感知器网络，以L₃层的输出作为其输入开始；在进行反向传播时，第L₅层处的代价函数定义为

本发明的有益效果是：该方法综合考虑水分子的吸收系数和散射系数，泥沙颗粒的吸收系数和散射系数，光的入射角，水层向上散射角等诸多因素；采用自动编码器后接多层感知器形成的神经网络结构，利用训练数据进行学习，最终获得黄河主溜光谱模型。自动编码器具有去除冗余信息，对噪声鲁棒的特点，因此有利于获得鲁棒的参数估计结果。本发明建立的黄河主溜光谱模型结合主溜成因，综合考虑了水体、泥沙、光照等方面的因素，采用自动编码器和多层感知器网络作为模型参数估计方法，能够更具数据自动获得具体模型参数，具有良好的可扩展性和自适应性。

下面结合附图和具体实施方式对本发明作详细说明。

附图说明

图1是本发明基于自动编码器和多层感知器网络的黄河主溜光谱建模方法所建模型的神经网络结构图。

具体实施方式

参照图1。本发明基于自动编码器和多层感知器网络的黄河主溜光谱建模方法具体步骤如下：

(1)黄河主溜光谱特性描述模型。

根据主溜的定义“流速最大、水流动量最大、含沙量最大、河床最深处的一股水流”，因此，在利用遥感信息进行黄河主溜解译的过程中，水流速度，泥沙含量，河床深度，水体宽度，传感器参数等因素共同决定了主溜的遥感特征机理。为了揭示泥沙、水流、光照等因素的存在对黄河主溜在遥感图像中的光谱特性的影响，本发明公开了一种基于自动编码器和多层感知器网络的黄河主溜光谱特性描述模型，具体如下：

y＝f(x),x＝[β_w,β_s,α_w,α_s,θ,Θ,p_w(Θ),p_s(Θ),v] (1)

其中，y为我们需要的遥感特征机理表示，x为所有相关因素组成的输入向量。β_w、β_s分别为水分子、水中泥沙颗粒的散射系数，α_w、α_s分别为水和泥沙的吸收系数，θ为水体中光的入射角，Θ为水层垂直向上的散射角，p_w(Θ)、p_s(Θ)分别为水和泥沙散射的相函数，v为水体流速。

目前大多数方法遵循物理机制，人为构建表示模型f(x)，往往模型的较为局限，适应性较差。因此，本发明采用基于自动编码器和多层感知器网络学习结构来训练得到模型参数。

(2)自动编码器和多层感知器网络。

a.网络结构

本发明中的自动编码器和多层感知器网络结构如附图1所示。该网络的输入层L₁由9个节点构成，每个节点代表一个式(1)中x的各个分量。L₂层由5个节点组成，其激励函数为Sigmoid函数。L₃层节点数为9，激励函数也为Sigmoid函数，该层输出表示输入层数据去噪后的结果。L₄层由256个节点构成，各节点激励函数为Sigmoid函数。输出层L₅共有7个节点，共同构成一个光谱特性向量，其激励函数为Σ(求和)函数。

b.网络训练方法

由于本发明公开的方法中对模型参数的估计所用的神经网络可以看作是自动编码器网络和多层感知器网络的首尾连接构成的，其训练步骤可分为自动编码器网络的训练过程和多层感知器网络的训练过程两部分。

对于自动编码器网络，首先进行前向传播，其具体过程如下：

其中，z⁽²⁾为L₂各节点的输入，b⁽¹⁾表示偏置，W⁽¹⁾代表权重，a⁽²⁾表示L₂层的输出。如此，继续完成L₂层到L₃层的前向传播过程。

自动编码器网络的反向传播过程将误差由后层传向前层，实现对网络参数的调整，其具体过程为：

首先定义网络的代价函数为其中a⁽³⁾为L₃层的输出。在该代价函数定义下，希望a⁽³⁾尽可能的等于x。反向传播过程中网络参数更新如下：

其中，W^(l)为第l层的权重，b^(l)为第l层的偏置，α为网络学习率。

对于多层感知器网络，其学习过程中正向传播过程与自动编码器网络类似，是以L₃层的输出作为其输入开始；但在进行反向传播时，第L₅层处的代价函数定义为

Claims (1)

1.一种基于自动编码器和多层感知器网络的黄河主溜光谱建模方法，其特征在于包括以下步骤：

步骤一、根据黄河主溜的水流速度、泥沙含量、河床深度和水体宽度建立黄河主溜光谱模型，具体如下：

y＝f(x),x＝[β_w,β_s,α_w,α_s,θ,Θ,p_w(Θ),p_s(Θ),v] (1)

其中，y是需要的遥感特征机理表示，x为所有相关因素组成的输入向量；β_w、β_s分别为水分子、水中泥沙颗粒的散射系数，α_w、α_s分别为水和泥沙的吸收系数，θ为水体中光的入射角，Θ为水层垂直向上的散射角，p_w(Θ)、p_s(Θ)分别为水和泥沙散射的相函数，v为水体流速；

步骤二、建立自动编码器和多层感知器网络结构；网络的输入层L₁由九个节点构成，每个节点代表一个式(1)中x的各个分量；L₂层由五个节点组成，L₂层的激励函数是Sigmoid函数；L₃层节点数为九，激励函数是Sigmoid函数，L₃层输出表示输入层数据去噪后的结果；L₄层由256个节点构成，各节点激励函数均为Sigmoid函数；输出层L₅共有七个节点，共同构成一个光谱特性向量，L₅层激励函数为S函数；

步骤三、将模型参数的估计所用的神经网络看作是自动编码器网络和多层感知器网络的首尾连接构成的，其训练步骤分为自动编码器网络的训练过程和多层感知器网络的训练过程两部分；

对于自动编码器网络，首先进行前向传播，具体过程如下：

其中，z⁽²⁾为L₂各节点的输入，b⁽¹⁾表示偏置，W⁽¹⁾代表权重，a⁽²⁾表示L₂层的输出；继续完成L₂层到L₃层的前向传播过程；

自动编码器网络的反向传播过程将误差由后层传向前层，实现对网络参数的调整，具体过程为：

定义网络的代价函数为其中，a⁽³⁾为L₃层的输出；在该代价函数定义下，a⁽³⁾无限接近于x；反向传播过程中网络参数更新如下：

其中，W^(l)为第l层的权重，b^(l)为第l层的偏置，a为网络学习率；

对于多层感知器网络，以L₃层的输出作为其输入开始；在进行反向传播时，第L₅层处的代价函数定义为