[发明专利]协同演化算法优化的支持向量机湿地遥感分类方法

说明书

技术领域

本发明属于遥感技术领域，具体涉及一种协同演化算法优化的支持向量机湿地遥感分类方法。

背景技术

支持向量机(SVM)是一种基于统计学习理论的新型的机器学习方法，该方法以统计学习理论中的VC维和结构风险最小化原理为基础，借助核函数将线性不可分问题转化为线性可分问题，使问题最终转化为求解凸二次规划问题，克服了“维数灾难”和“过学习”，在小样本、非线性以及高维模式识别中具有突出优势，现已在诸多应用领域取得很好的效果，成为机器学习领域的研究热点。

研究表明，参数的选择对于支持向量机的求解性能有着重要意义。目前，将智能算法融入到SVM的参数选择当中是SVM参数优化的主要方法。在遥感领域，有学者利用支持向量机进行分类及信息提取。L Yu，A Porwal，EJ Holden，MC Dentith.Towards automatic lithological classification from remote sensing data using support vector machines[J].Computers&Geosciences 2010，45(6)：229-239提出了改进的基于网格搜索的优化支持向量机参数的遥感分类方法。臧淑英，张策，张丽娟，张玉红.遗传算法优化的支持向量机湿地遥感分类.地理科学[J]2012，32(4)：434-441提出了遗传算法优化的支持向量机进行遥感分类，然而将支持向量机与协同演化算法相结合在遥感分类研究中尚未出现。

发明内容

本发明的目的提供了一种协同演化算法优化的支持向量机湿地遥感分类方法，本发明采用PSO-GA协同演化算法对SVM模型参数进行优化选择，并将粒子群算法PSO和遗传算法GA相结合，以获得最优化参数和高精度分类，对演化策略进行概率选择。

为实现上述目的，本发明采取的技术方案如下：

一种协同演化算法优化的支持向量机湿地遥感分类方法，所述方法步骤如下：

一、个体编码方式

由于SVM分类器的两个调节参数为实数，所以采用实数编码方法；其中，每个个体用如下的向量表示：

上式(5)中，Ind_i表示不定因子个体；表示核函数初始随机参数；C_i表示误差惩罚因子初始随机参数；

依据此编码方式，则将核函数参数优化问题转换为寻找最佳个体的问题；

二、计算个体适应度函数

选择分类识别精度作为计算个体的适应度函数；适应度函数如下：

f(x)＝Max(precision)＝Max(TP/(TP+FP))(6)

上式(6)中，precision表示预测精度；

其中TP为被正确地划分为正例的个数，FP为被错误地划分为正例的个数；

三、PSO-GA协同演化算法

(1)初始化种群及参数

设N为种群规模，迭代次数G，GA交叉概率变异概率为PSO中的调和因子λ₁和λ₂，最小扰动因子γ₁和最大惯性扰动因子γ₂，适应度函数为f，随机产生由N个个体组成的初始种群，每一个个体表示为一个二元组向量演化策略的选择概率μ⁽¹⁾＝(μ⁽¹⁾(PSO)，μ⁽¹⁾(GA))，初始时为每个演化策略分配一个相同的概率；

在第k代开始时，PSO-GA协同演化算法根据策略选择概率μ^(k)选择本代的演化策略；

(2)PSO演化策略

PSO-GA所使用的PSO演化策略在搜索空间Ω内采用群体的最优位置g_i和个体的历史最优位置p_i来调控粒子当前速度；按照公式(7)产生k+1代候选解X′^(K+1)；

上式(7)中，ω表示超平面的法向量、v_i表示速度、v′_i为下一时刻速度；

(3)GA演化策略

PSO-GA所使用的GA演化策略要解决的优化问题定义为：