77—80,2013
doi ;10. 3969/j iasn. 1674-3636. 2013. 01. 77
地质学刊
第37卷
第1期
神经网络敏感性分析及其在遥感影像分类中的应用
邢海花，，余先川
（1.北京师范大学信息科学与技术学院，北京100875；2.海南师范大学信息科学与技术学院，海南海口571158）
摘要：针对基于连接权的神经网络敏感性分析方法中求取敏感性系数的不稳定性，提出一种优化连接权的神经网络敏感性分析方法。首先采用遗传算法根据误差最小化原则对神经网络进行优化，在优化的神经网络模型上进行基于连接权的敏感性分析。以1个数值模拟实例和华盛顿广场地区的遥感图像地物分类为例，验证所提方法的有效性。实验结果表明，所提方法求取输人变量的敏感性系数是稳定有效的，能有效筛选出遥感图像中对分类贡献较大的特征波段，达到降维的同时提高分类精度。
关键词：敏感性分析；人工神经网络；遗传算法；遥感影像分类
中图分类号：TP311;P627 0引言
文献标识码：A
文章编号：16743636(2013)01007704
敏感性系数的不稳定性，提出一种遗传算法优化连接权的神经网络缴感性分析方法。
敏感性分析是一种定量描述模型输人变量对输出变量的重要性程度的方法，假设模型表示为y=于（x，2，"""，）（"，为模型的第个属性值），令每个属性在可能的取值范围内变动，研究和预测这些属性的变动对模型输出值的影响程度（蔡毅等， 2008）。将影响程度的大小称为该属性的敏感性系数，敏感性系数越大，说明该属性对模型输出的影响越大。敏感性分析的核心目的就是通过对模型的属性进行分析，筛选出重要属性，约简模型。经典的人工神经网络敏感性分析方法主要有：（1）基于连接权的敏感性分析方法，如Ganson算法（Garson， 1991）、Tchaban方法(Tchaban et al,1998）等；(2)基于输出对输入变量的求偏导的敏感性分析方法，如 Dimoponlos方法（Dimoponlos et al,1995）、Ruck方法(Rucketal,1990)等；(3）与统计方法结合的敏感性分析方法（Oldenetal,2002）；（4）基于输人变量扰动的敏感性分析方法（Scardietal，1999）。
然而，神经网络结构、初始连接权值和阔值的选择对网络的训练结果和敏感性分析有很大的影响，针对基于连接权的神经网络敏感性分析方法中求取
基手连接权的神经网络敏感性分析神经网络经过训练可以获得输出变量大于输入
变量的数值函数关系及各层神经元间的连接权值，敏感性分析利用这个关系及连接权值可以得到输入变量对输出变量的重要性。以下提到的神经网络都假定为3层前向网络，输人层、隐含层、输出层神经元个数分别为N、L、M，（x，，x）为输人变量，(yi，,y）为输出变量，w=wNL为输人层与隐含层间连接权重，=LM为隐含层与输出层间的连接权重。f(net,）和f(net,）分别表示隐层神经元j的激活函数、输出神经元k的激活函数，隐层各神经元激活函数一致，输出层各神经元激活函数一致。网络有m个训练样本，n个测试样本。
Garson方法
1.1
Garson算法（Garson，1991）是基于连接权的神经网络敏感性分析方法的一个代表，用连接权值的乘积来计算输入变量对输出变量的影响程度或称相对贡献值。输入变量x,对输出变量的影响程度（贡献值)为：
收稿日期：2012-12-08；编辑：侯聘飞
基金项目：国家自然科学基金（40672195，41072245），北京市自然科学基金（4102029），海南省自然科学基金（612123）作者简介：形海花（1975一），女，副教授，主要从事遥感影像与地质信息处理与分析，E-mail；hhxing@hainnu.edu.cr
万方数据