基于遗传蜂群算法的高光谱遥感影像波段选择方法

IPRDB

API 数据接口

专利申请

使用指引 chat嘟嘟

会员体验

联系我们

交流群

现在联系顾问~

基于遗传蜂群算法的高光谱遥感影像波段选择方法
申请号	CN201710285948.X	申请日	2017-04-27	公开(公告)号	CN107169510A	公开(公告)日	2017-09-15
申请人	河海大学;			发明人	高红民; 杨耀; 陈玲慧; 李臣明; 樊悦; 张振; 高金珠; 徐枫; 闵海彬; 李晓静; 黄昌运;
摘要	本发明公开了一种基于遗传蜂群算法的高光谱遥感影像波段选择方法，分类精度高，显著改善了高光谱遥感影像波段选择方法的分类精度，且分类性能较遗传算法、蚁群算法和人工蜂群算法相比，有着明显优势。遗传算法具有较强的全局搜索能力而收敛速度却随迭代次数增加而趋于缓慢，人工蜂群算法在全局搜索方面存在缺陷但算法收敛速度快。本发明将遗传算法和蜂群算法结合起来，形成优势互补，即使得算法同时拥有全局搜索能力强和收敛速度快的优势。从而，使得在保证分类精度较高的前提下，算法执行效率也较高。
权利要求	1.基于遗传蜂群算法的高光谱遥感影像波段选择方法，其特征在于：包括以下步骤：S1：子空间划分：对原始数据进行子空间划分； S2：初始化：设定遗传算法和人工蜂群算法的各个参数值：遗传算法的参数值包括交叉概率Pc、变异概率Pm、终止迭代次数N、当前进化代数t＝0；人工蜂群算法的参数值包括蜜源维数D、蜜源数量SN、当前蜜源位置yi＝初始蜜源位置xi、当前迭代次数g＝0、迭代最大次数G和蜜源被更新的最大次数Llimit；其中，xi是一个D维向量，xi＝(xi1,xi2,xi3,…,xiD)T，i＝1, 2,3,…,SN； S3：求解当前蜜源位置yi的适应度值fit(yi)； S4：引领蜂搜索：引领蜂如果搜寻到新的蜜源位置vi，则根据式(1)来决定是否用新的蜜源位置vi替换当前蜜源位置yi：式(1)中，fit(vi)为新的蜜源位置vi的适应度值；新的蜜源位置vi是一个D维列向量，vi中的元素vij根据式(2)得到：式(2)中，k∈{1,2,…,SN}，j∈{1,2,…,D}，k、j在其各自取值区间内随机选取且k≠i；是介于[-1,1]之间均匀分布的随机数； S5：根据式(3)计算第i个蜜源的选择概率Pi：式(3)中，fiti为第i个蜜源的适应度值，fitk为第k个蜜源的适应度值； S6：跟随蜂搜索：跟随蜂根据选择概率Pi的大小来挑选蜜源，利用式(2)在所选蜜源的邻域搜寻产生一个新的蜜源，计算该新蜜源的适应度值，并按照式(1)保留适应度值高的蜜源位置； S7：侦查蜂搜索：当跟随蜂在所选蜜源位置邻域搜索次数未达到Llimit，而搜寻产生的新蜜源位置的适应度值相对于原所选蜜源位置的适应度值有所提高，则执行步骤S8；当跟随蜂在所选蜜源位置邻域搜索次数已达到Llimit，则引领蜂变为侦查蜂，按照式(4)随机生成新的蜜源位置，计算新蜜源的适应度值，与原蜜源适应度值比较，按公式(1)保留适应度值高的蜜源，然后进行步骤S9； yij＝yminj+rand(0,1)(ymaxj-yminj) (4)式(4)中，yminj为当前蜜源位置yi的第j维向量的最小值，ymaxj为当前蜜源位置yi的第j维向量的最大值； S8：判断引领蜂的适应度值是否大于初始蜜源位置的适应度值fit(xi)：如果是，则记录当前蜜源位置yi；否则，则返回步骤S4； S9：判断迭代次数g是否等于迭代最大次数G：如果等于，则输出最优的蜜源位置；否则，则返回步骤S4； S10：交叉操作：步骤S8记录的所有蜜源位置中，每个蜜源位置作为一个个体，每两个个体按照交叉概率Pc进行交叉操作，得到新解，求出新解的适应度值；如果新解的适应度值比父代的适应度值好，则用新解代替父代执行步骤S11，否则用父代执行步骤S11； S11：变异操作：引入遗传算法的变异算子，步骤S8记录的所有蜜源位置中的最差蜜源位置按照变异概率Pm通过变异算子来提高适应度值，如果适应度值变大则进行步骤S12； S12：求解每个蜜源的目标函数值，将获得的最优适应度值以及相应参数记录下来； S13：判断迭代次数g是否等于最大迭代次数G：如果等于，则输出最优适应度值相应参数值，并记录相对应的蜜源位置；否则，则返回步骤S4。
说明书全文	基于遗传蜂群算法的高光谱遥感影像波段选择方法技术领域 [0001] 本发明涉及高光谱遥感影像波段选择智能算法领域，特别是涉及基于遗传蜂群算法的高光谱遥感影像波段选择方法。背景技术 [0002] 高光谱遥感影像的波段选择的重点是使用某个搜索算法在有效时间之内找到使评价准则函数值最大的波段子集。智能算法中的遗传算法和人工蜂群算法都属于通用性强和适用范畴广的群体算法。 [0003] 1975年，美国的Holland教授依据Mendel的遗传学和Darwin的生物进化理论第一次提出了遗传算法(Genetic Algorithm,GA)，随后引起学者们的广泛关注，逐渐发展为学术领域的研究热门。在遗传学中，物种的遗传与染色体上的基因密切相关，基因位置的不同导致其决定的功能也不同，经过选择、交叉和变异操作后可能出现生命力强的后代，各物种在不断变化的环境中保留适应性强的个体。因此，遗传算法的基本思想是“优胜劣汰”，同时又引入了随机统计理论，是计算机智能领域中用于求解寻优问题的一种搜索启发式的重要方法。 [0004] 人工蜂群算法(Artificial Bee Colony Algorithm,ABC)是由Karaboga在2005年提出的一种比较新颖的群体智能算法，分成基于繁殖行为和基于觅食行为两种算法，本发明主要探讨基于觅食行为的蜂群算法。在算法中，蜜蜂采集蜂蜜的行为对应实际寻优的问题，每个蜜源体现为问题的一个潜在解，每个蜜源的位置表示一个潜在解的位置，蜜源的花蜜量则体现寻优问题的适应度值，其中最大花蜜量的蜜源对应着问题的最优解。因此，基于采蜜行为的蜂群算法是通过利用引领蜂、侦查蜂和跟随蜂三类不同职能的蜜蜂间的分工协作以及相互间的角色转换来迭代搜寻问题的解。 [0005] 遗传算法和人工蜂群算法都属于智能搜索算法。遗传算法本身对所求问题没有苛刻的要求，只要存在一个评价问题可行解适应度值的目标函数，就能不断使算法进化，具有分布式、并行性、全局性的收敛能力，但是由于不能充分利用反馈信息，经常做大量的冗余迭代，容易产生过早收敛。人工蜂群算法作为一种模拟蜜蜂行为的新颖优化算法，较好地缓解了搜索范围的扩展与在原搜索域进行精密搜索间的矛盾，具有简洁、灵活、鲁棒性强、寻优时间短的优势，但也存在全局搜索能力差，容易陷入局部最优的问题。发明内容 [0006] 发明目的：本发明的目的是提供一种能够解决现有技术中存在的缺陷的基于遗传蜂群算法的高光谱遥感影像波段选择方法。 [0007] 技术方案：本发明所述的基于遗传蜂群算法的高光谱遥感影像波段选择方法，包括以下步骤： [0008] S1：子空间划分：对原始数据进行子空间划分； [0009] S2：初始化：设定遗传算法和人工蜂群算法的各个参数值：遗传算法的参数值包括交叉概率Pc、变异概率Pm、终止迭代次数N、当前进化代数t＝0；人工蜂群算法的参数值包括蜜源维数D、蜜源数量SN、当前蜜源位置yi＝初始蜜源位置xi、当前迭代次数g＝0、迭代最大次数G和蜜源被更新的最大次数Llimit；其中，xi是一个D维向量，xi＝(xi1,xi2,xi3,…,xiD)T，i＝1,2,3,…,SN； [0010] S3：求解当前蜜源位置yi的适应度值fit(yi)； [0011] S4：引领蜂搜索：引领蜂如果搜寻到新的蜜源位置vi，则根据式(1)来决定是否用新的蜜源位置vi替换当前蜜源位置yi： [0012] [0013] 式(1)中，fit(vi)为新的蜜源位置vi的适应度值； [0014] 新的蜜源位置vi是一个D维列向量，vi中的元素vij根据式(2)得到： [0015] [0016] 式(2)中，k∈{1,2,…,SN}，j∈{1,2,…,D}，k、j在其各自取值区间内随机选取且k≠i；是介于[-1,1]之间均匀分布的随机数； [0017] S5：根据式(3)计算第i个蜜源的选择概率Pi： [0018] [0019] 式(3)中，fiti为第i个蜜源的适应度值，fitk为第k个蜜源的适应度值； [0020] S6：跟随蜂搜索：跟随蜂根据选择概率Pi的大小来挑选蜜源，利用式(2)在所选蜜源的邻域搜寻产生一个新的蜜源，计算该新蜜源的适应度值，并按照式(1)保留适应度值高的蜜源位置； [0021] S7：侦查蜂搜索：当跟随蜂在所选蜜源位置邻域搜索次数未达到Llimit，而搜寻产生的新蜜源位置的适应度值相对于原所选蜜源位置的适应度值有所提高，则执行步骤S8；当跟随蜂在所选蜜源位置邻域搜索次数已达到Llimit，则引领蜂变为侦查蜂，按照式(4)随机生成新的蜜源位置，计算新蜜源的适应度值，与原蜜源适应度值比较，按公式(1)保留适应度值高的蜜源，然后进行步骤S9； [0022] yij＝yminj+rand(0,1)(ymaxj-yminj) (4) [0023] 式(4)中，yminj为当前蜜源位置yi的第j维向量的最小值，ymaxj为当前蜜源位置yi的第j维向量的最大值； [0024] S8：判断引领蜂的适应度值是否大于初始蜜源位置的适应度值fit(xi)：如果是，则记录当前蜜源位置yi；否则，则返回步骤S4； [0025] S9：判断迭代次数g是否等于迭代最大次数G：如果等于，则输出最优的蜜源位置；否则，则返回步骤S4； [0026] S10：交叉操作：步骤S8记录的所有蜜源位置中，每个蜜源位置作为一个个体，每两个个体按照交叉概率Pc进行交叉操作，得到新解，求出新解的适应度值；如果新解的适应度值比父代的适应度值好，则用新解代替父代执行步骤S11，否则用父代执行步骤S11； [0027] S11：变异操作：引入遗传算法的变异算子，步骤S8记录的所有蜜源位置中的最差蜜源位置按照变异概率Pm通过变异算子来提高适应度值，如果适应度值变大则进行步骤S12； [0028] S12：求解每个蜜源的目标函数值，将获得的最优适应度值以及相应参数记录下来； [0029] S13：判断迭代次数g是否等于最大迭代次数G：如果等于，则输出最优适应度值相应参数值，并记录相对应的蜜源位置；否则，则返回步骤S4。 [0030] 有益效果：与现有技术相比，本发明具有如下的有益效果： [0031] 1)分类精度高，显著改善了高光谱遥感影像波段选择方法的分类精度，且分类性能较遗传算法、蚁群算法和人工蜂群算法相比，有着明显优势； [0032] 2)遗传算法具有较强的全局搜索能力而收敛速度却随迭代次数增加而趋于缓慢，人工蜂群算法在全局搜索方面存在缺陷但算法收敛速度快。本发明将遗传算法和蜂群算法结合起来，形成优势互补，即使得算法同时拥有全局搜索能力强和收敛速度快的优势。从而，使得在保证分类精度较高的前提下，算法执行效率也较高。附图说明 [0033] 图1为本发明具体实施方式中的蜜蜂采蜜的过程； [0034] 图2为本发明具体实施方式中的方法流程图； [0035] 图3为本发明具体实施方式中采用四种方法得到的分类精度变化图； [0036] 图3(a)为本发明具体实施方式中采用遗传算法得到的分类精度变化图； [0037] 图3(b)为本发明具体实施方式中采用蚁群算法得到的分类精度变化图； [0038] 图3(c)为本发明具体实施方式中采用人工蚁群算法得到的分类精度变化图； [0039] 图3(d)为本发明具体实施方式中采用基于遗传蜂群算法的高光谱遥感影像波段选择方法得到的分类精度变化图； [0040] 图4为本发明具体实施方式中采用四种方法得到的分类结果图； [0041] 图4(a)为本发明具体实施方式中采用遗传算法得到的分类结果图； [0042] 图4(b)为本发明具体实施方式中采用蚁群算法得到的分类结果图； [0043] 图4(c)为本发明具体实施方式中采用人工蚁群算法得到的分类结果图； [0044] 图4(d)为本发明具体实施方式中采用基于遗传蜂群算法的高光谱遥感影像波段选择方法得到的分类结果图。具体实施方式 [0045] 下面结合具体实施方式和附图，对本发明的技术方案作进一步的介绍。 [0046] 本具体实施方式公开了一种基于遗传蜂群算法的高光谱遥感影像波段选择方法，如图2所示，包括以下步骤： [0047] S1：子空间划分：对原始数据进行子空间划分； [0048] S2：初始化：设定遗传算法和人工蜂群算法的各个参数值：遗传算法的参数值包括交叉概率Pc、变异概率Pm、终止迭代次数N、当前进化代数t＝0；人工蜂群算法，实质是在搜索蜜源的过程中，通过引领蜂、跟随蜂和侦查蜂三种不同职能的蜜蜂间的分工协作及相互间的角色转换，迭代找到花蜜量最大的蜜源，如图1为蜂群寻找和采集蜜源的具体过程。人工蜂群算法的参数值包括蜜源维数D、蜜源数量SN、当前蜜源位置yi＝初始蜜源位置xi、当前迭代次数g＝0、迭代最大次数G和蜜源被更新的最大次数Llimit；其中，xi是一个D维向量，xi＝(xi1,xi2,xi3,…,xiD)T，i＝1,2,3,…,SN； [0049] S3：求解当前蜜源位置yi的适应度值fit(yi)； [0050] S4：引领蜂搜索：引领蜂如果搜寻到新的蜜源位置vi，则根据式(1)来决定是否用新的蜜源位置vi替换当前蜜源位置yi： [0051] [0052] 式(1)中，fit(vi)为新的蜜源位置vi的适应度值； [0053] 新的蜜源位置vi是一个D维列向量，vi中的元素vij根据式(2)得到： [0054] [0055] 式(2)中，k∈{1,2,…,SN}，j∈{1,2,…,D}，k、j在其各自取值区间内随机选取且k≠i；是介于[-1,1]之间均匀分布的随机数； [0056] S5：根据式(3)计算第i个蜜源的选择概率Pi： [0057] [0058] 式(3)中，fiti为第i个蜜源的适应度值，fitk为第k个蜜源的适应度值； [0059] S6：跟随蜂搜索：跟随蜂根据选择概率Pi的大小来挑选蜜源，利用式(2)在所选蜜源的邻域搜寻产生一个新的蜜源，计算该新蜜源的适应度值，并按照式(1)保留适应度值高的蜜源位置； [0060] S7：侦查蜂搜索：当跟随蜂在所选蜜源位置邻域搜索次数未达到Llimit，而搜寻产生的新蜜源位置的适应度值相对于原所选蜜源位置的适应度值有所提高，则执行步骤S8；当跟随蜂在所选蜜源位置邻域搜索次数已达到Llimit，则引领蜂变为侦查蜂，按照式(4)随机生成新的蜜源位置，计算新蜜源的适应度值，与原蜜源适应度值比较，按公式(1)保留适应度值高的蜜源，然后进行步骤S9； [0061] yij＝yminj+rand(0,1)(ymaxj-yminj) (4) [0062] 式(4)中，yminj为当前蜜源位置yi的第j维向量的最小值，ymaxj为当前蜜源位置yi的第j维向量的最大值； [0063] S8：判断引领蜂的适应度值是否大于初始蜜源位置的适应度值fit(xi)：如果是，则记录当前蜜源位置yi；否则，则返回步骤S4； [0064] S9：判断迭代次数g是否等于迭代最大次数G：如果等于，则输出最优的蜜源位置；否则，则返回步骤S4； [0065] S10：交叉操作：步骤S8记录的所有蜜源位置中，每个蜜源位置作为一个个体，每两个个体按照交叉概率Pc进行交叉操作，得到新解，求出新解的适应度值；如果新解的适应度值比父代的适应度值好，则用新解代替父代执行步骤S11，否则用父代执行步骤S11； [0066] S11：变异操作：引入遗传算法的变异算子，步骤S8记录的所有蜜源位置中的最差蜜源位置按照变异概率Pm通过变异算子来提高适应度值，如果适应度值变大则进行步骤S12； [0067] S12：求解每个蜜源的目标函数值，将获得的最优适应度值以及相应参数记录下来； [0068] S13：判断迭代次数g是否等于最大迭代次数G：如果等于，则输出最优适应度值相应参数值，并记录相对应的蜜源位置；否则，则返回步骤S4。 [0069] 下面对实验仿真过程和结果进行介绍。 [0070] 1、实验图像 [0071] 实验所需的高光谱遥感影像选用由AVIRIS传感器获取的美国某农林混合试验区高光谱遥感影像的一部分，采用SVM分类器来验证降维后的分类效果，仿真实验采用Matlab(R2009b)软件系统编程。 [0072] 2、实验过程 [0073] 针对高光谱遥感影像的子空间划分，采用ASD方法，设定子空间分解的阈值T＝0.6，将噪声和水吸收波段去除后，分解后得到子空间个数仍为5个：第一个子空间的波段为 5-39，有35条波段；第二个子空间包含波段为40-77，波段数为38；第三子空间包含的波段有 79、87-102、111-132，波段数是39；第四个空间的波段为132-148，有17条波段；第五子空间为166-216，波段数为51。 [0074] 3、算法结果对比 [0075] 通过对比4组不同的实验来说明本发明中所提出的算法的有效性，第一组是基于遗传算法(GA)的高光谱遥感影像的波段选择，第二组是利用蚁群算法(ACO)对高光谱遥感影像进行波段选择，第三组是基于人工蜂群算法(ABC)进行降维处理，第四组实验为本发明提出的算法(GA-ABC)。实验参数设置为：交叉概率Pc＝0.75，变异概率Pm＝0.01，蜜源数目NNP＝500，蜜源停留最大次数为Llimit＝5，迭代次数为G＝50。在实验过程中，以B距离和信息熵作为适应度函数，并用SVM分类器的结果来验证降维效果，训练样本和测试样本的比例为1:1，将4种算法的结果对比如表1所示。 [0076] 表1算法结果对比 [0077] [0078] 实验从划分的子空间中任意选取5个波段组成一个波段组合，并综合考虑波段组合的信息量以及波段之间的相关性，所以最终得到多组优化结果。从表1中可以看出，采用遗传蜂群算法的高光谱遥感影像波段选取方法，通过4组波段组合得到的分类结果，无论在平均分类精度或者最高分类精度都明显优于其他3组对比实验，且在实验过程中收敛速度快。与遗传算法相比，从总体分类精度可以看出该算法在精解效率方面好于遗传算法；与基于蚁群算法的波段选择方法相比较，无论在信息量还是分类精度上均占优，这是由于蚁群算法信息素更新能力有限，算法容易陷入局部最优，从而出现停滞现象；与人工蜂群算法比较，该算法包含遗传算法较强的全局寻优能力，所以其收敛到最佳解的性能优于人工蜂群算法。 [0079] 四种不同的算法在整个实验过程中分类精度变化曲线如图3(a)-图3(d)所示。我们可以看出，当迭代的次数不断变大时，遗传蜂群算法的分类精度最高，遗传算法的分类精度在最初阶段有明显的改善，但是由于遗传算法不能充分的利用反馈信息，导致最后的分类精度增长速度变得缓慢，而蚁群算法由于信息素更新能力易出现停滞现象以及蜂群算法在全局搜索能力方面存在缺陷，在短时间内易陷入局部最优的缺陷。 [0080] 四组实验的分类结果图如图4(a)-图4(d)所示，可以直观的看出，与利用遗传算法、蚁群算法和蜂群算法进行波段选择相比，本具体实施方式提出的基于遗传和蜂群算法的方法优于其他3种智能算法，在保证分类精度的情况下，收敛速度更快，为高光谱遥感影像波段选择提供一种新的方法。