本發(fā)明屬于遙感技術(shù)領(lǐng)域，具體涉及一種協(xié)同演化算法優(yōu)化的支持向量機濕地遙感分類方法。

背景技術(shù)：

支持向量機(svm)是一種基于統(tǒng)計學(xué)習(xí)理論的新型的機器學(xué)習(xí)方法，該方法以統(tǒng)計學(xué)習(xí)理論中的vc維和結(jié)構(gòu)風(fēng)險最小化原理為基礎(chǔ)，借助核函數(shù)將線性不可分問題轉(zhuǎn)化為線性可分問題，使問題最終轉(zhuǎn)化為求解凸二次規(guī)劃問題，克服了“維數(shù)災(zāi)難”和“過學(xué)習(xí)”，在小樣本、非線性以及高維模式識別中具有突出優(yōu)勢，現(xiàn)已在諸多應(yīng)用領(lǐng)域取得很好的效果，成為機器學(xué)習(xí)領(lǐng)域的研究熱點。

研究表明，參數(shù)的選擇對于支持向量機的求解性能有著重要意義。目前，將智能算法融入到svm的參數(shù)選擇當(dāng)中是svm參數(shù)優(yōu)化的主要方法。在遙感領(lǐng)域，有學(xué)者利用支持向量機進行分類及信息提取。lyu，aporwal，ejholden，mcdentith.towardsautomaticlithologicalclassificationfromremotesensingdatausingsupportvectormachines[j].computers&geosciences2010，45(6)：229-239提出了改進的基于網(wǎng)格搜索的優(yōu)化支持向量機參數(shù)的遙感分類方法。臧淑英，張策，張麗娟，張玉紅.遺傳算法優(yōu)化的支持向量機濕地遙感分類.地理科學(xué)[j]2012，32(4)：434-441提出了遺傳算法優(yōu)化的支持向量機進行遙感分類，然而將支持向量機與協(xié)同演化算法相結(jié)合在遙感分類研究中尚未出現(xiàn)。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的提供了一種協(xié)同演化算法優(yōu)化的支持向量機濕地遙感分類方法，本發(fā)明采用pso-ga協(xié)同演化算法對svm模型參數(shù)進行優(yōu)化選擇，并將粒子群算法pso和遺傳算法ga相結(jié)合，以獲得最優(yōu)化參數(shù)和高精度分類，對演化策略進行概率選擇。

為實現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案如下：

一種協(xié)同演化算法優(yōu)化的支持向量機濕地遙感分類方法，所述方法步驟如下：

一、個體編碼方式

由于svm分類器的兩個調(diào)節(jié)參數(shù)為實數(shù)，所以采用實數(shù)編碼方法；其中，每個個體用如下的向量表示：

上式(5)中，indi表示不定因子個體；表示核函數(shù)初始隨機參數(shù)；ci表示誤差懲罰因子初始隨機參數(shù)；

依據(jù)此編碼方式，則將核函數(shù)參數(shù)優(yōu)化問題轉(zhuǎn)換為尋找最佳個體的問題；

二、計算個體適應(yīng)度函數(shù)

選擇分類識別精度作為計算個體的適應(yīng)度函數(shù)；適應(yīng)度函數(shù)如下：

f(x)＝max(precision)＝max(tp/(tp+fp))(6)

上式(6)中，precision表示預(yù)測精度；

其中tp為被正確地劃分為正例的個數(shù)，fp為被錯誤地劃分為正例的個數(shù)；

三、pso-ga協(xié)同演化算法

(1)初始化種群及參數(shù)

設(shè)n為種群規(guī)模，迭代次數(shù)g，ga交叉概率變異概率為pso中的調(diào)和因子λ1和λ2，最小擾動因子γ1和最大慣性擾動因子γ2，適應(yīng)度函數(shù)為f，隨機產(chǎn)生由n個個體組成的初始種群，每一個個體表示為一個二元組向量演化策略的選擇概率μ⁽¹⁾＝(μ⁽¹⁾(pso)，μ⁽¹⁾(ga))，初始時為每個演化策略分配一個相同的概率；

在第k代開始時，pso-ga協(xié)同演化算法根據(jù)策略選擇概率μ^(k)選擇本代的演化策略；

(2)pso演化策略

pso-ga所使用的pso演化策略在搜索空間ω內(nèi)采用群體的最優(yōu)位置gi和個體的歷史最優(yōu)位置pi來調(diào)控粒子當(dāng)前速度；按照公式(7)產(chǎn)生k+1代候選解x′^(k+1)；

上式(7)中，ω表示超平面的法向量、vi表示速度、v′i為下一時刻速度；

(3)ga演化策略

pso-ga所使用的ga演化策略要解決的優(yōu)化問題定義為：

式中，f是實值函數(shù)，x＝{x1，x2，...，xm}^t為在rⁿ空間內(nèi)變量集，其中x為式(8)中x的最優(yōu)解集合，ω為所有可行解集合，其中σ²∈[0.01,50]，c∈[1，1000]；

(4)選擇子代

在第k代演化結(jié)束后，從|x^(k)∪x′^(k+1)|個個體中，采用基于轉(zhuǎn)盤式選擇思想，選擇n個個體構(gòu)成最終子代x^(k+1)；具體做法是：以個體的相對適應(yīng)值作為該個體在下一代中存活的概率，并使每個個體都有機會根據(jù)其相對適應(yīng)值而被選中；實施該策略的步驟如下：

步驟一：順序累計種群中各個體適應(yīng)度值fi，得到適應(yīng)度的累加值

步驟二：計算各個體被選中的概率pi＝fi/sn；

步驟三：累計pi，求得累計概率

步驟四：產(chǎn)生[0，1]內(nèi)的均勻分布的隨機數(shù)r，若滿足gi-1＜r≤gi，則選擇個體i；

步驟五：反復(fù)執(zhí)行步驟四，直到產(chǎn)生的個體數(shù)目等于種群規(guī)模；

(5)更新策略的選擇概率

第k代演化結(jié)束后，根據(jù)x^(k+1)中每個子代個體及其對應(yīng)父代個體x^(k)，對μ^(k)進行如下更新；

針對x^(k+1)代中個體，如果是來自于父代的演化，說明第k代使用的演化策略為當(dāng)前的優(yōu)勢策略；為促使演化過程盡快收斂，應(yīng)提高該演化策略h的選擇概率μ^(k)(h)，同時降低其他演化策略l的選擇概率μ^(k)(l)，并確保μ^(k)(h)+μ^(k)(l)＝1。

本發(fā)明相對于現(xiàn)有技術(shù)具有的有益效果是：

實驗結(jié)果表明，該算法同其他智能算法進行精度對比，得到了更好的執(zhí)行效率和分類性能。本發(fā)明采用pso-ga協(xié)同演化算法對svm模型參數(shù)進行優(yōu)化選擇，該算法結(jié)合pso和ga，以獲得最優(yōu)化參數(shù)和高精度分類為設(shè)計方案，對演化策略進行概率選擇，pso的優(yōu)勢在于其對解的記憶能力及高效的收斂速度，但是容易陷入到局部最優(yōu)解，表現(xiàn)為極強的趨同性和較低的種群多樣性。ga算法采取概率的方式保留一些具有潛在尋優(yōu)能力的候選解，提高了種群的多樣性，但其收斂速度相對較慢。兩種演化計算方式的結(jié)合，既保證全局搜索能力以防止陷入局部最優(yōu)，又提升演化速度。

具體實施方式

下面對本發(fā)明的技術(shù)方案作進一步說明，但并不局限于此，凡是對本發(fā)明技術(shù)方案進行修正或等同替換，而不脫離本發(fā)明技術(shù)方案的精神范圍，均應(yīng)涵蓋在本發(fā)明的保護范圍之中。

具體實施方式一：

1.基本原理及其性能分析

1.1支持向量機分類原理

支持向量機(svm)的機理是尋找一個滿足分類要求的最優(yōu)分類超平面，使得該超平面在保證分類精度的同時，能夠使超平面兩側(cè)的空白區(qū)域最大化；以兩類數(shù)據(jù)分類為例，給定訓(xùn)練樣本集(xi，yi)，i＝1，...，l；x∈rⁿ，y∈{+1，-1}，超平面記作(w·x)+b＝0，為使分類面對所有樣本正確分類并且具備分類間隔，就要求它滿足如下約束：

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；

可以計算出分類間隔為2/||w||，因此構(gòu)造最優(yōu)超平面的問題就轉(zhuǎn)化為在約束式下求：

上式(2)中φ(w)為代價函數(shù)，w′為w的轉(zhuǎn)置；

在高維空間中，如果訓(xùn)練樣本不可分或者事先不知道它是否線性可分，將允許存在一定數(shù)量的錯分類樣本，引入非負松弛變量ζi；上述問題轉(zhuǎn)化為線性約束條件下的二次規(guī)劃問題：

然而，在實際分類中，很難保證類別之間線性可分；對于線性不可分情況，支持向量機引入核函數(shù)技術(shù)，將輸入向量映射到一個高維的特征向量空間，并在該特征空間中構(gòu)造最優(yōu)分類面；由于徑向基核函數(shù)具有的良好性能，在實際應(yīng)用中，一般選擇徑向基核函數(shù)作為支持向量機分類的核函數(shù)：

k表示徑向基核函數(shù)；

1.2粒子群算法(pso)和遺傳算法(ga)

pso是一種基于迭代的優(yōu)化算法，系統(tǒng)初始化為一組隨機解，通過迭代搜尋最優(yōu)值；該算法規(guī)則簡單，易于實現(xiàn)，算法精度高、收斂快，并且在解決實際問題中展示了其優(yōu)越性但容易陷入到局部最優(yōu)解，表現(xiàn)為極強的趨同性和較低的種群多樣性；ga是一種隨機搜索的算法，在遺傳機理與生物自然選擇基礎(chǔ)上發(fā)展而來的算法，能很好的解決最優(yōu)問題；該算法采取概率的方式保留一些具有潛在尋優(yōu)能力的候選解，提高了種群的多樣性，但其收斂速度慢；ga與pso的演化特征具有互補性，結(jié)合pso和ga進行算法設(shè)計，能夠提高收斂速度并實現(xiàn)深度和廣度的優(yōu)化過程；

1.3支持向量機中參數(shù)對分類性能的影響

以徑向基函數(shù)為核函數(shù)的svm分類器有兩個可調(diào)參數(shù)，核函數(shù)參數(shù)σ²和誤差懲罰因子c；核函數(shù)參數(shù)σ²主要影響樣本數(shù)據(jù)在高維特征空間中分布的復(fù)雜程度，而誤差懲罰因子c的作用是在確定的特征空間中調(diào)節(jié)學(xué)習(xí)機的置信范圍和經(jīng)驗風(fēng)險的比例；因此要想獲得推廣能力良好的svm分類器，首先要選擇合適的σ²將數(shù)據(jù)映射到合適的特征空間，然后針對該確定的特征空間尋找合適的c以使學(xué)習(xí)機的置信范圍和經(jīng)驗風(fēng)險具有最佳比例；這就使得對svm核函數(shù)參數(shù)σ²和c同時進行優(yōu)化具有重大意義；除了在同一特征空間優(yōu)化c以獲得對應(yīng)該空間的最優(yōu)svm，還要優(yōu)化核函數(shù)參數(shù)σ²以獲得全局最優(yōu)的svm；

2優(yōu)化svm參數(shù)的協(xié)同演化算法

2.1算法設(shè)計思路

根據(jù)nfl(nofreelunch)理論，不存在適用于所有問題的優(yōu)化算法；但對于一些特定的優(yōu)化問題，則能夠通過協(xié)同演化進行優(yōu)化算法設(shè)計，提高優(yōu)化算法獲取最優(yōu)解的期望；從結(jié)構(gòu)上看，協(xié)同演化算法分為串行協(xié)同和并行協(xié)同；其中，串行協(xié)同是指在每一代中順序執(zhí)行多個演化策略；并行協(xié)同通過策略選擇概率，在多個策略中依歷史信息，選擇適用于當(dāng)前演化過程的演化策略；與串行協(xié)同相比，并行協(xié)同對不同優(yōu)化問題的適應(yīng)性更強、時間復(fù)雜度更低；本發(fā)明基于pso(particleswarmoptimization)和ga(geneticalgorithm)演化策略設(shè)計適用于優(yōu)化支持向量機參數(shù)的pso-ga協(xié)同演化算法；

2.2個體編碼方式

由于svm分類器的兩個調(diào)節(jié)參數(shù)為實數(shù)，所以采用實數(shù)編碼方法；這種編碼方法計算速度更快，并且更能夠穩(wěn)定的收斂于全局最大值；此類實數(shù)編碼方式是現(xiàn)有研究中被使用的方法，其中，每個個體用如下的向量表示：

上式(5)中，indi表示不定因子個體；表示核函數(shù)初始隨機參數(shù)；ci表示誤差懲罰因子初始隨機參數(shù)；

依據(jù)此編碼方式，則將核函數(shù)參數(shù)優(yōu)化問題轉(zhuǎn)換為尋找最佳個體的問題；

2.3計算個體適應(yīng)度函數(shù)

協(xié)同演化策略需要對個體進行評價，因此需要尋找一種將核函數(shù)參數(shù)作為個體進行評價的適應(yīng)度函數(shù)，本發(fā)明選擇分類識別精度作為計算個體的適應(yīng)度函數(shù)；適應(yīng)度函數(shù)如下：

f(x)＝max(precision)＝max(tp/(tp+fp))(6)

在上式(6)中，precision表示預(yù)測精度；

其中tp為被正確地劃分為正例的個數(shù)，fp為被錯誤地劃分為正例的個數(shù)；

2.4pso-ga協(xié)同演化算法

(1)初始化種群及參數(shù)

設(shè)n為種群規(guī)模，迭代次數(shù)g，ga交叉概率變異概率為pso中的調(diào)和因子λ1和λ2，最小擾動因子γ1和最大慣性擾動因子γ2，適應(yīng)度函數(shù)為f，隨機產(chǎn)生由n個個體組成的初始種群，每一個個體表示為一個二元組向量演化策略的選擇概率μ⁽¹⁾＝(μ⁽¹⁾(pso)，μ⁽¹⁾(ga))，初始時為每個演化策略分配一個相同的概率，本發(fā)明為每個演化策略分配了1/2的概率；

在第k代開始時，pso-ga協(xié)同演化算法根據(jù)策略選擇概率μ^(k)選擇本代的演化策略；

(2)pso演化策略

pso-ga所使用的pso演化策略在搜索空間ω內(nèi)采用群體的最優(yōu)位置gi和個體的歷史最優(yōu)位置pi來調(diào)控粒子當(dāng)前速度；按照公式(7)產(chǎn)生k+1代候選解x′^(k+1)；

上式(7)中ω表示超平面的法向量、vi表示速度、v′i為下一時刻速度；

(3)ga演化策略

pso-ga所使用的ga演化策略要解決的優(yōu)化問題定義為：

式中，f是實值函數(shù)，x＝{x1，x2，...，xm}^t為在rⁿ空間內(nèi)變量集，其中x為式(8)中x的最優(yōu)解集合，ω為所有可行解集合，其中σ²∈[0.01,50]，c∈[1，1000]；

(4)選擇子代

在第k代演化結(jié)束后，從|x^(k)∪x′^(k+1)|個個體中，采用基于轉(zhuǎn)盤式選擇思想，選擇n個個體構(gòu)成最終子代x^(k+1)；具體做法是：以個體的相對適應(yīng)值作為該個體在下一代中存活的概率，并使每個個體都有機會根據(jù)其相對適應(yīng)值而被選中；實施該策略的步驟如下：

步驟一：順序累計種群中各個體適應(yīng)度值fi，得到適應(yīng)度的累加值

步驟二：計算各個體被選中的概率pi＝fi/sn；

步驟三：累計pi，求得累計概率

步驟四：產(chǎn)生[0，1]內(nèi)的均勻分布的隨機數(shù)r，若滿足gi-1＜r≤gi，則選擇個體i；

步驟五：反復(fù)執(zhí)行步驟四，直到產(chǎn)生的個體數(shù)目等于種群規(guī)模；

(5)更新策略的選擇概率

第k代演化結(jié)束后，根據(jù)x^(k+1)中每個子代個體及其對應(yīng)父代個體x^(k)，對μ^(k)進行如下更新；

針對x^(k+1)代中個體，如果是來自于父代的演化，說明第k代使用的演化策略為當(dāng)前的優(yōu)勢策略；為促使演化過程盡快收斂，應(yīng)提高該演化策略h的選擇概率μ^(k)(h)，同時降低其他演化策略l的選擇概率μ^(k)(l)，并確保μ^(k)(h)+μ^(k)(l)＝1。

3實驗分析

3.1數(shù)據(jù)準(zhǔn)備與濕地分類體系

采用2015年6月14日過境的landsattm5影像(軌道號120/27)，分辨率為30m，均勻選取控制點；通過二次多項式幾何精校正到albersconicalequalarea投影下，并對研究區(qū)域進行了裁剪.利用扎龍保護區(qū)配準(zhǔn)后的1∶50000地形圖構(gòu)建數(shù)字高程模型(dem)，分別提取樣本光譜特征變量和紋理特征變量及gis輔助特征變量，共組成50維特征變量的矩陣作為初始的實驗數(shù)據(jù)；

綜合考慮研究區(qū)地物形態(tài)，將研究區(qū)域劃分為6種地物類型，分別為：耕地、草地、沼澤濕地、水體、居民地、未利用地.

3.2實驗配置

設(shè)置種群規(guī)模為50，迭代次數(shù)g為200，ga交叉概率為0.5，變異概率為0.01，pso中的調(diào)和因子λ1和λ2都設(shè)置為2，最小擾動因子γ1與最大慣性擾動因子γ2分別設(shè)置為0.4和0.8。

本發(fā)明訓(xùn)練集采用6種類型地物各選取300個訓(xùn)練樣本，盡可能地保證屬于各類地物的“藍本”，均勻分布于整個研究區(qū).最終確定核函數(shù)最優(yōu)參數(shù)σ²為17.336，c為91.453，此時的訓(xùn)練精度為95.18％，以該尋優(yōu)參數(shù)構(gòu)造svm分類器并用于測試.測試集在6種類型地物各選取40個測試樣本。

3.3分類驗證及對比分析

為了驗證本發(fā)明提出算法的有效性，將其優(yōu)化的核函數(shù)參數(shù)同遺傳算法優(yōu)化的svm參數(shù)和網(wǎng)格搜索優(yōu)化的svm參數(shù)進行分類精度驗證，結(jié)果見表1，2和3所示；

表1pso-ga協(xié)同演化算法優(yōu)化svm機濕地遙感分類精度

表2遺傳算法優(yōu)化svm濕地遙感分類精度

表3網(wǎng)格搜索優(yōu)化svm濕地遙感分類精度

對比表1和表2可知，pso-ga協(xié)同演化算法優(yōu)化的svm濕地遙感分類與遺傳算法優(yōu)化的svm濕地遙感分類相比，在不同地物上分別有不同程度的精度提高，尤為顯著的是在草地和耕地中，制圖精度分別提高了17％和12％左右，在居民地和耕地中，用戶精度提高了17.5％和10％。草地、耕地與居民地三者光譜相似，群落相互之間沒有嚴格的界限，協(xié)同演化算法優(yōu)化的支持向量機依然能做出準(zhǔn)確地區(qū)分。

4結(jié)論

本發(fā)明提出的pso-ga協(xié)同演化算法優(yōu)化svm參數(shù)的濕地遙感分類方法，通過建立種群之間的競爭或合作關(guān)系以及相互作用來提高各自性能，適應(yīng)復(fù)雜系統(tǒng)的動態(tài)演化環(huán)境，以達到種群優(yōu)化的目的；該方法是一種有效的濕地遙感分類手段，具有一定的普適性和應(yīng)用價值。