FuzzyARTMAP神经网络的混合分解模型探析

Fuzzy ARTMAP模型本身具有高度映射和自组织的能力，并且兼顾了可塑性和稳定性的特点，因此，对于包含复杂地学属性的遥感影像分类或信息提取问题的应用研究（Carpenter，1997；Gopaland Fischer，1997），ARTMAP方法更能发挥其优势。利用该模型来对遥感影像进行混合像元分解，处理一些高度复杂、不规则的映射关系，无疑是一个非常实用的方法。现给出基本的算法步骤（Carpenter等，1999）如下。

（1）网络初始化：对应于分解的样本影像，在两个模块ARTa 和ARTb 的输入层中，分别输入波段数和纯净地物类型个数。

（2）输入样本对，开始训练：对于两个ART 模块均采用相似的训练方式，判定函数为（此处α＞0为选择参数，是自己定义，wj 为对应的权值向量，x 为输入的向量），利用此函数选择竞争获胜的节点，从而对应获胜节点的层被激发，完成一次的训练。（3）获胜并发生谐振的节点所对应的权值矢量学习更新：在满足警戒阈值ρa 的条件下，达到期望的精度。

（4）测试：通过输入到ARTa 的向量，即每个波段的值，利用映射函数在ARTb 中得到输出，输出的4个不同分量的值，相加的和等于1，代表混合像元中不同成分的组分比。在此模型的基础上，下面利用实际遥感影像来进行研究，与传统的方法在精度、误差分布等方面进行比较。

在过去的10年中，有许多研究者通过不同传感器所获取的多源数据来对某一个地区的土地覆盖类型进行研究（Liu，2001a）。以下实验利用一种基于多传感器／多分辨率（Multisensor／Resolution）的框架，确定土地覆盖类型，估计在低分辨率影像中每一个像素所包含的地物种类的百分比。图3-7是一幅低分辨率的卫星影像对应着一幅较高分辨率的卫星影像，它包含有不同的地物种类（比如50%水体、25%植被、25%裸地）的混合像元信息，可以通过4个步骤来获取数据源。

(www.xing528.com)

图3-7　对比两种分辨率的土地覆盖类型特征

第一步，把高分辨率的影像和低分辨率的影像利用地面控制点地理坐标和相应的数据，进行影像的严格配准。

第二步，把高分辨率影像利用常规的分类方法来进行分类，将分类图与低分辨率影像结合起来，并求出每一个像元所对应的在高分辨率影像范围内的各种地物的百分比。

第三步，随机地在低分辨率影像上面选取训练点，然后以它的光谱值作为训练的输入，以估计对应的像元组分比作为训练输出。通过一系列的点来训练Fuzzy ARTMAP 神经网络模型。

第四步，用训练好的网络去求解低分辨率影像中每一个像元的类别分布情况。