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)：229-239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。
技术实现思路
本专利技术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，本专利技术采用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，本专利技术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，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)；上式(7)中，ω表示超平面的法向量、vi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：式中，f是实值函数，X＝{x1，x2，...，xm}T为在RN空间内变量集，其中X为式(8)中x的最优解集合，Ω为所有可行解集合，其中σ2∈[0.01,50]，C∈[1，1000]；(4)选择子代在第K代演化结束后，从|X(k)∪X′(k+1)|个个体中，采用基于转盘式选择思想，选择N个个体构成最终子代X(k+1)；具体做法是：以个体的相对适应值作为该个体在下一代中存活的概率，并使每个个体都有机会根据其相对适应值而被选中；实施该策略的步骤如下：步骤一：顺序累计种群中各个体适应度值fi，得到适应度的累加值步骤二：计算各个体被选中的概率Pi＝fi/Sn；步骤三：累计Pi，求得累计概率步骤四：产生[0，1]内的均匀分布的随机数r，若满足gi-1＜r≤gi，则选择个体i；步骤五：反复执行步骤四，直到产生的个体数目等于种群规模；(5)更新策略的选择概率第K代演化结束后，根据X(k+1)中每个子代个体及其对应父代个体X(k)，对μ(k)进行如下更新；针对X(k+1)代中个体，如果是来自于父代的演化，说明第K代使用的演化策略为当前的优势策略；为促使演化过程尽快收敛，应提高该演化策略h的选择概率μ(k)(h)，同时降低其他演化策略l的选择概率μ(k)(l)，并确保μ(k)(h)+μ(k)(l)＝1。本专利技术相对于现有技术具有的有益效果是：实验结果表明，该算法同其他智能算法进行精度对比，得到了更好的执行效率和分类性能。本专利技术采用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，PSO的优势在于其对解的记忆能力及高效的收敛速度，但是容易陷入到局部最优解，表现为极强的趋同性和较低的种群多样性。GA算法采取概率的方式保留一些具有潜在寻优能力的候选解，提高了种群的多样性，但其收敛速度相对较慢。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。具体实施方式下面对本专利技术的技术方案作进一步说明，但并不局限于此，凡是对本专利技术技术方案进行修正或等同替换，而不脱离本专利技术技术方案的精神范围，均应涵盖在本专利技术的保护范围之中。具体实施方式一：1.基本原理及其性能分析1.1支持向量机分类原理支持向量机(SVM)的机理是寻找一个满足分类要求的最优分类超平面，使得该超平面在保证分类精度的同时，能够使超平面两侧的空白区域最大化；以两类数据分类为例，给定训练样本集(xi，yi)，i＝1，...，l；x∈Rn，y∈{+1，-1}，超平面记作(w·x)+b＝0，为使分类面对所有样本正确分类并且具备分类间隔，就要求它满足如下约束：yi[(w·xi)+b]≥1i＝1，2，…，l(1)上式(1)中w表示超平面的法向量、b表示偏置；可以计算出分类间隔为2/||w||，因此构造最优超平面的问题就转化为在约束式下求：上式(2)中φ(w)为代价函数，w′为w的转置；在高维空间中，如果训练样本不可分或者事先不知道它是否线性可分，将允许存在一定数量的错分类样本，引入非负松弛变量ζi；上述问题转化为线性约束条件下的二次规划问题：然而，在实际分类中，很难保证类别之间线性可分；对于线性不可分情况，支持向量机引入核函数技术，将输入向量映射到一个高维的特征向量空间，并在该特征空间中构造最优分类面；由于径向基核函数具有的良好性能，在实际应用中，一般选择径向基核函数作为支持向量机分类的核函数：K表示径向基核函数；1.2粒子群算法(PSO)和遗传算法(GA)PSO是一种基于迭代的优化算法，系统初始化为一组随机解，通过迭代搜寻最优值；该算法规则简单，易于实现，算法精度高、收敛本文档来自技高网...

【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