协同演化算法优化的支持向量机湿地遥感分类方法技术

一种协同演化算法优化的支持向量机湿地遥感分类方法，属于遥感技术领域。所述方法包括以下步骤：1、个体编码方式；2、计算个体适应度函数；3、PSO‑GA协同演化算法：(1)初始化种群及参数；(2)PSO演化策略；(3)GA演化策略；(4)选择子代；(5)更新策略的选择概率。本文采用PSO‑GA协同演化算法对SVM模型参数进行优化选择，该算法结合PSO和GA，以获得最优化参数和高精度分类为设计方案，对演化策略进行概率选择。两种演化计算方式的结合，既保证全局搜索能力以防止陷入局部最优，又提升演化速度。

【技术实现步骤摘要】
协同演化算法优化的支持向量机湿地遥感分类方法
本专利技术属于遥感
，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。
技术介绍
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。LYu，APorwal，EJHolden，MCDentith.Towardsautomaticlithologicalclassificationfromremotesensingdatausingsupportvectormachines[J].Computers&Geosciences2010，45(6)：229-本文档来自技高网...

【技术保护点】
一种协同演化算法优化的支持向量机湿地遥感分类方法，其特征在于：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：

【技术特征摘要】
1.一种协同演化算法优化的支持向量机湿地遥感分类方法，其特征在于：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，Indi表示不定因子个体；表示核函数初始随机参数；Ci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gi和个体的历史最优位置pi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)；

【专利技术属性】
技术研发人员：于晓冬，夏天，
申请(专利权)人：哈尔滨师范大学，
类型：发明
国别省市：黑龙江,23