一种基于记忆性多点交叉引力搜索的特征选择方法技术

本发明专利技术公开了一种基于记忆性多点交叉引力搜索的特征选择方法，其方法设定每个粒子为一个最优特征子集的备选解，通过波段子集评价函数评估备选解的质量，并引导粒子进行信息交流，完成快速收敛；质量最好的粒子对应的解即为最优光谱特征子集。为了提高算法的自适应性，本发明专利技术基于引力搜索算法提出了基于种群进化程度的信息交流机制：勘探阶段基于多点交叉策略充分向种群内其他粒子学习，进行广泛的搜索；开发阶段集中向种群和自己的最优经验学习，保证快速的收敛。本发明专利技术能够选出波段数少且可以得到稳定分类结果的最优光谱特征子集，从而解决高光谱遥感影像数据冗余度高导致的计算复杂、分类精度低等问题。

A feature selection method based on memory multi point cross gravity search

The invention discloses a method for feature selection memory multi point crossover gravitational search based on the method of setting each particle as an optimal feature subset of alternative solutions, through the quality evaluation function to evaluate alternative band subsets of solutions, and guide the particle exchange of information, complete the fast convergence; the best quality of the solution particle is the optimal spectral feature subset. In order to improve the adaptive algorithm, gravitational search algorithm is proposed for information exchange mechanism based on the degree of population evolution based on the invention: the exploration stage based on multi point crossover strategy to fully learn from other particle population, extensive search; development stage and the optimal population to focus on learning experience, to ensure fast convergence. The invention can select the optimal spectral feature subset with few bands and can obtain stable classification results, so as to solve the problems of high computational complexity and low classification accuracy caused by the high redundancy of hyperspectral remote sensing image data.

【技术实现步骤摘要】

本专利技术属于遥感影像处理
，尤其涉及一种基于记忆性多点交叉引力搜索的特征选择方法。
技术介绍
随着传感器技术的发展，高光谱遥感影像在20世纪80年代之后，开始在环境监测、国土资源调查评估、城市规划等领域发挥重要的作用。在此过程中，遥感影像的分类精度直接决定了其应用的有效程度。虽然高光谱遥感影像丰富的光谱特征能够更加精确的描述地面覆盖信息，但是这种海量的光谱信息通常具有很高的冗余性，在分类过程中会造成Hughes现象，并耗费大量的存储与计算空间。因而，如何从高维度的光谱波段中识别最有效的少量波段，并实现较高精度的影像分类，成为高光谱影像应用的一个关键问题。特征选择法是一种直接有效地波段识别方法。这种方法根据一定的目标函数或评价准则，选择尽可能少的波段组成新的特征子集，使其对如图像分割、分类等数据的分析任务可以达到与特征选择前相当或者更好的效果。这种选择法可以归类为二进制空间的优化算法。早期的研究，穷举搜索法取得了一定的成功，但是该算法的计算复杂度，随着迭代的进行呈指数增加。在实际应用中，由于计算耗时太长，难以满足高光谱遥感影像的要求。为了降低计算复杂度，该领域提出了分支定界、顺序前进、顺序后退等算法，但是这些算法需要人为的预先指定子集的波段数，使得得到的特征子集通常不是最优的子集。引力搜索算法是RashediE.等人在2009年受牛顿万有引力定律启发，提出的一种新型元启发式搜索算法。该算法认为，与宇宙之中物体之间依靠万有引力相互吸引一样，优化算法中可以认为种群中各个粒子之间通过万有引力相互吸引。由于万有引力的大小正比于两个物体的质量，反比于物体之间的距离，质量越大的物体对其他物体的吸引力也就越大。所以，假如将优化算法中适应度最好的粒子赋予最大的质量，其余粒子将遵循牛顿第二定律以一定的加速度向适应度最好的粒子靠近，完成寻优过程。在过去的几年里，该算法已经被成功的应用到聚类分析、PID(ProportionIntegrationDifferentiation)参数优化、经济负荷分配、流水线调度、图像多阈值分割等众多优化问题中，显示出其易于应用、全局寻优能力强等一系列优点及广阔的应用前景。相比于传统的穷举搜索等方法，利用引力搜索算法解决特征选择的问题，不必设定波段数，可以根据影像特征自适应的得到最优特征子集，实现较高效率与精度的特征选择。但是引力搜索算法的学习策略与信息交流方式，还存在一些问题，例如：学习方式单一，所有的粒子与其他粒子交流信息的方式都是通过万有引力，这造成算法的开发能力不足，后期容易出现震荡问题，导致收敛速度变慢；此外，粒子每次完成一次迭代，之前的搜索信息全部丢失，算法不具备向自己经验学习的能力，导致算法容易陷入局部最优，出现早熟收敛等问题。为了更加高效的利用引力搜索算法解决波段选择的问题，需要对算法进行改进与提高。
技术实现思路
针对遥感影像特征选择的需求与引力搜索算法中存在的不足，本专利技术的目的在于提供一种基于记忆性多点交叉引力搜索的特征选择方法，通过自适应平衡勘探和开发优化特征子集评价函数，并对全局历史最优进行变异，有效改善引力搜索算法开发能力不足、缺乏记忆性、容易早熟收敛的问题，最终得到波段数少且可以得到稳定分类结果的最优光谱特征子集。为解决上述问题，本专利技术采用如下的技术方案：一种基于记忆性多点交叉引力搜索的特征选择方法包括以下步骤：步骤S1、选择待特征选择的原始遥感影像HI，确定遥感影像HI的总波段数D，同时根据原始遥感影像HI上实际地物分布与类别数，确定样本区域并提取样本数据SHI；步骤S2、初始化处理：设定种群大小，即设定粒子数目为N，每个粒子代表待选择的特征子集，初始化种群中各个粒子的位置Xi(t)及其对应的速度，1≤i≤N，且i为正整数，t为当前迭代次数；步骤S3、开始迭代：基于支持向量机(SupportVectorMachine，SVM)分类器，利用每个粒子Xi(t)代表的特征子集对样本数据SHI进行分类，得到N个粒子对应的分类精度Accuracy＝[Acc1(t),Acc2(t),...,Acci(t),...,AccN(t)]，其中，Acci(t)第i个特征子集的分类精度；步骤S4、计算每个粒子的适应度值fiti(t)，其中，ω为平衡分类精度与波段数的权重，ns为粒子i中值为1的维数；步骤S5、基于每个粒子的适应度值fiti(t)确定每个粒子的个体历史最优位置Pbi(t)与种群的全局历史最优位置Gb(t)；步骤S6，基于每个粒子的适应度值fiti(t)计算每个粒子的引力加速度ai(t)；步骤S7、判断种群的进化状态，基于所述每个粒子的引力加速度ai(t)、所述每个粒子的个体历史最优位置Pbi(t)和种群的全局历史最优位置Gb(t)根据进化状态为每个粒子选择最合适的信息交流方法，对粒子速度与位置进行更新；步骤S8、根据更新后粒子的位置，利用SVM分类器，计算N个粒子对应的特征子集的分类精度Acci(t+1)，然后根据评价函数更新每个粒子的适应度值，得到fiti(t+1)；步骤S9、基于fiti(t+1)更新粒子的个体历史最优位置和种群的全局历史最优位置；步骤S10、令t＝t+1，判断t是否大于最大迭代次数Tmax，如果t不大于Tmax，基于步骤S8中得到的fiti(t+1)和步骤S9中得到的更新粒子的个体历史最优位置和种群的全局历史最优位置根据步骤S6至步骤S9进行第t+1次迭代运算；如果t大于Tmax，将当前种群中适应度最好的粒子输出，输出步骤S9中所述更新种群的全局历史最优位置，即为样本数据SHI的最优特征子集；步骤S11、根据最优特征子集包含的光谱波段，利用SVM分类器对原始遥感影像HI进行分类，得到其分类结果。作为优选，步骤S5具体为：当t＝1时，初始化每个粒子的个体历史最优位置Pbi(t)＝Xi(t)，然后从Pbi(t)中选择适应度最大的粒子作为种群的全局历史最优位置Gb(t)；当t>1时，首先比较每个粒子位置更新前后的适应度值，如果新的位置适应度更大，则新的位置成为个体历史最优；然后从新的个体历史最优中，选择最好的粒子与更新前的全局历史最优作比较，如果该粒子适应度较大，则赋为新的种群的全局历史最优位置。作为优选，步骤S7具体为：比较当前种群中粒子适应度值的标准差std(fit)与随机数rand是否满足std(fit)<rand以及比较交叉率pc乘以t/Tmax的值与本文档来自技高网...

【技术保护点】
一种基于记忆性多点交叉引力搜索的特征选择方法，其特征在于，包括以下步骤：步骤S1、选择待特征选择的原始遥感影像HI，确定遥感影像HI的总波段数D，同时根据原始遥感影像HI上实际地物分布与类别数，确定样本区域并提取样本数据SHI；步骤S2、初始化处理：设定种群大小，即设定粒子数目为N，每个粒子代表一个备选特征子集，初始化种群中各个粒子的位置Xi(t)及其对应的速度Vi(t)，1≤i≤N，且i为正整数，t为当前迭代次数；步骤S3、开始迭代：基于支持向量机(Support Vector Machine，SVM)分类器，利用每个粒子Xi(t)代表的特征子集对样本数据SHI进行分类，得到N个粒子对应的分类精度Accuracy＝[Acc1(t),Acc2(t),...,Acci(t),...,AccN(t)]，其中，Acci(t)表示第i个特征子集的分类精度；步骤S4、计算每个粒子的适应度值fiti(t)，其中，ω为平衡分类精度与波段数的权重，ns为Xi(t)中值为1的维数；步骤S5、基于每个粒子的适应度值fiti(t)确定每个粒子的个体历史最优位置Pbi(t)与种群的全局历史最优位置Gb(t)；步骤S6，基于每个粒子的适应度值fiti(t)计算每个粒子的引力加速度ai(t)；步骤S7、判断种群的进化状态，基于所述每个粒子的引力加速度ai(t)、所述每个粒子的个体历史最优位置Pbi(t)和种群的全局历史最优位置Gb(t)根据进化状态为每个粒子选择最合适的信息交流方法，对粒子速度与位置进行更新；步骤S8、根据更新后粒子的位置，利用SVM分类器，计算N个粒子对应的特征子集的分类精度Acci(t+1)，然后根据评价函数更新每个粒子的适应度值，得到fiti(t+1)；步骤S9、基于fiti(t+1)更新粒子的个体历史最优位置和种群的全局历史最优位置；步骤S10、令t＝t+1，判断t是否大于最大迭代次数Tmax，如果t不大于Tmax，基于步骤S8中得到的fiti(t+1)和步骤S9中得到的更新后的粒子的个体历史最优位置和种群的全局历史最优位置根据步骤S6至步骤S9进行第t+1次迭代运算；如果t大于Tmax，将当前种群中适应度最好的粒子输出，输出步骤S9中所述更新后的种群的全局历史最优位置，即为样本数据SHI的最优特征子集，同时也是原始遥感影像HI的最优特征子集；步骤S11、根据最优特征子集包含的光谱波段，利用SVM分类器对原始遥感影像HI进行分类，得到其分类结果。...

【技术特征摘要】
1.一种基于记忆性多点交叉引力搜索的特征选择方法，其特征在于，包括
以下步骤：
步骤S1、选择待特征选择的原始遥感影像HI，确定遥感影像HI的总波段
数D，同时根据原始遥感影像HI上实际地物分布与类别数，确定样本区域并提
取样本数据SHI；
步骤S2、初始化处理：设定种群大小，即设定粒子数目为N，每个粒子代
表一个备选特征子集，初始化种群中各个粒子的位置Xi(t)及其对应的速度
Vi(t)，1≤i≤N，且i为正整数，t为当前迭代次数；
步骤S3、开始迭代：基于支持向量机(SupportVectorMachine，SVM)分
类器，利用每个粒子Xi(t)代表的特征子集对样本数据SHI进行分类，得到N个
粒子对应的分类精度Accuracy＝[Acc1(t),Acc2(t),...,Acci(t),...,AccN(t)]，其中，Acci(t)表
示第i个特征子集的分类精度；
步骤S4、计算每个粒子的适应度值fiti(t)，其中，ω
为平衡分类精度与波段数的权重，ns为Xi(t)中值为1的维数；
步骤S5、基于每个粒子的适应度值fiti(t)确定每个粒子的个体历史最优位
置Pbi(t)与种群的全局历史最优位置Gb(t)；
步骤S6，基于每个粒子的适应度值fiti(t)计算每个粒子的引力加速度ai(t)；
步骤S7、判断种群的进化状态，基于所述每个粒子的引力加速度ai(t)、所
述每个粒子的个体历史最优位置Pbi(t)和种群的全局历史最优位置Gb(t)根据进
化状态为每个粒子选择最合适的信息交流方法，对粒子速度与位置进行更新；
步骤S8、根据更新后粒子的位置，利用SVM分类器，计算N个粒子对应
的特征子集的分类精度Acci(t+1)，然后根据评价函数更新每个粒子的适应度值，
得到fiti(t+1)；
步骤S9、基于fiti(t+1)更新粒子的个体历史最优位置和种群的全局历史最优
位置；
步骤S10、令t＝t+1，判断t是否大于最大迭代次数Tmax，如果t不大于Tmax，
基于步骤S8中得到的fiti(t+1)和步骤S9中得到的更新后的粒子的个体历史最优
位置和种群的全局历史最优位置根据步骤S6至步骤S9进行第t+1次迭代运算；
如果t大于Tmax，将当前种群中适应度最好的粒子输出，输出步骤S9中所述更
新后的种群的全局历史最优位置，即为样本数据SHI的最优特征子集，同时也...

【专利技术属性】
技术研发人员：孙根云，张爱竹，陈晓琳，王振杰，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东;37