第"期!!!!!!!!!!!!!!!!!!!!光谱学与光谱分析)+I!
据集L!使得判别函数[达到极值点
[#L$!P5j#或P96$'[#T++!T+)!4!T+0$
(#+
$其中!#T++!T+)!4!T+0$8#T+!T)!4!TU$"设虚拟蚂蚁处在特征空间T+"
蚂蚁在特征空间转移过程中!各条路径上的信息素将随着蚂蚁的移动不断发生变化!而蚂蚁I#I!+!)!4!O$
则根据各条路径上的信息素和期望值的大小来决定其转移到下一状态T,的概率
(#$5#$CI+,#5$!-(,%%$Q/7I+8#$5#$6586%55%%$Q/76+85I
#)
$*$1Y/2Q93/
其中!5%%$Q/7I!7V#15Z:I8表示允许蚂蚁I下一步选择的特征波段集合%(为信息启发系数!5为期望启发系数!6+,#5$为从特征+转移到特征,的期望函数!其表达式为6+,#
5$!+,![+,表示特征
+!,之间的判别函数值"那么!对于蚂蚁I来说![+,越大!则6+,越大!而CI+,#5
$也就越大"在蚂蚁行进期间!路径上的信息素浓度会发生改变!在每只蚂蚁完成一次搜索之后!更新路径上的信息素!其浓度调整为
-+,#5&+$!#+#&
$-+,#5$&4-+,#5$O
)-+,#5$!%)-I+,#5
$#!
$I!
+其中!&为信息素挥发系数%
)-+,#5$为第5次循环中路径#+!,$上的信息素增量%)-I+,#5$为第I只蚂蚁在该第5次循环中在路径#+!,
$上留下的信息量")-I
+,
#
5$!第只蚂蚁在本次循环中经过#(II+!,$#J$*其他其中!M为信息素强度%(I为本次转移中第I只蚂蚁走过的路径长度"
!空
-谱二维特征蚁群组合优化方法!!根据蚁群算法基本原理!构建两个种群的蚂蚁在分别高光谱数据光谱维空间和样本分布空间交替搜索最大类间距波段组合和异质样本"相关参数和判别函数定义如下&令>+和,分别为第
+波段和第,波段图像矢量!>+!'>++!>+)!4!+((?!>,!'>,+!>,)!4!>,((?!(为单波段图像的像素总数"将高光谱图像中对应空间分布的各个训练样本点编号为+!4!:3(5195%!样本总数为:3(5195%!令'+和',分别为第
+个样本和第,个样本的光谱维矢量!+!,67+!4!:3(5195%8!'+!''++!'+)!4!'+*(?
!',!'',+!',)!4!',
*(?
!*为高光谱图像波段数"采用]Y51150Y5245距离作为光谱维优化判别函数!如式#L
$所示#
+[]D-3(
/0125%!"##)##
+$?)$
##)##+$&)6#$*8++*)8)
+*)
#L$!!在空间样本优选方面选用光谱夹角.
8S作为判别函数!
[.8S-35195%!5200$3!6(
5<'+<<'
)<$
*
+6)6
!5
200$3%''
**#=
$%'+6
)6
6!+
6!+
!!
蚁群组合优化方法基本步骤如下%'&
#+$初始化参数!(3(/0125%!(3(5195%!53(/0125%!5
3(5195%!-3(/0125%!-3(5195%!33(/0125%和33(
5195%!循环次数*%e*!设置最大循环次数为*%P5j
"令初始化信息量-+,-3(/0125%#*$e0$631!-+,-3(5195%#*$e0$631且初始时刻)-+,-3(/0125%#*$e)-+,-3(5195%#*$e*!特征波段子空间大小为:3(/0125%!训练样本总数为:3(5195%%[P5j-3(/0125%e*![P5j-3(
5195%e*"#)$计算各波段之间的相关系数3+,!
确定候选波段集#对某一波段来说!与其相关性较强的波段将不会被选择$!初始化异质样本比例系数0!初始时异质样本数为*
"#!$循环次数*%e
+"#J
$光谱维蚁群优化循环"9蚂蚁的数目I3(
/0125%e+%:蚂蚁个体随机从一个特征波段>+出发%;第I只蚂蚁根据式#)$计算波段>+到波段>,的状态
转移概率!>,67W\L3(/0125%8%<根据状态转移概率选择候选波段#状态转移概率越大的波段被选中的概率越大$!若候选波段与该特征波段之间的相关性小于相关性阈值23(/0125%!则把搜索到的候选特征波段号存入特征波段子空间LI-3(/0125%中!否则选择下一个波段%=若特征波段子空间LI-3(
/0125%中波段个数小于预设的值Y3(/0125%#预设的提取波段数Y3(/0125%e:3(
/0125%$!蚂蚁继续搜索!否则向下执行%
>利用去除异质样本后的各类训练样本#X\LP5j-3(
5195%$计算[I-3(/0125%eP5j#[]D-3(/0125%$!I3(/0125%eI3(/0125%l+!若所有蚂蚁都搜索完!则令[*%-3(/0125%eP5j#[I-3(/0125%$!并根据式#!$和式#J$更新各路径上的信息量!其中(ID3(/0125%e[I-3(/0125%!蚂蚁移动到>,!
修改+e,!否则转;%?若[*%-3(/0125%#[P5j-3(/0125%则令[P5j-3(/0125%e[*%-3(/0125%!保留对应蚂蚁的光谱维波段组合LP5j-3(/0125%eLI-3(
/0125%"#L
$训练样本空间分布蚁群优化循环"9蚂蚁的数目I3(
5195%e+%:蚂蚁个体随机从一个训练样本'+出发%
;第I3(5195%只蚂蚁根据式#)$计算样本'+到样本',的状态转移概率!',67X\L3(5195%8%<根据状态转移概率选择候选样本!若候选样本与该训练样本之间的[.8S-3(5195%大于阈值33(5195%!则把搜索到的这个候选样本存入样本子空间LI-3(5195%中!否则选择下一个样本%=若样本子空间LI-3(
5195%中样本个数小于预设异质样本数Y3(5195%#Y3(5195%e0:3(
5195%$!蚂蚁继续搜索!否则向下执行%>在当前光谱维空间#W\LP5j-3(/0125%$中计算样本子空间LI-3(5195%的最大判别函数[I-3(5195%eP5j#[.8S-3(5195%$值!I3(
5195%eI3(5195%l+!若所有蚂蚁都搜索完!则令[*%
-3(5195%eP5j#[I-3(5195%$!并根据式#!$和式#J$更新各路径上的信息量!其中(I-3(5195%e[I-3(5195%!蚂蚁移动到',!
修改+e,!否则转;%?若[*%-3(5195%#[P5j-3(5195%则令[P5j-3(5195%e[*%
-3(5195%!保留对[)>>
基于SVM动态集成的高光谱遥感图像分类_专业资料。在Bagging支持向量机(SVM)的基础...空-谱二维蚁群组合优化S... 1人阅读 6页 3.00 基于ICA与SVM算法的高光...
6 . June 2010 基于 SVM 动态集成的高光谱遥感图像分类牛 ,魏 鹏维 (西安...空-谱二维蚁群组合优化S... 暂无评价 6页 3.00 基于ICA与SVM算法的高光...
于支持向量机的高光谱遥感图像分类_IT/计算机_专业资料...但总体来看,国内对SVM应用于高光 谱分类的研究还...此时的优化函数 maxw(a)=∑旷÷∑ctlajyi乃K(”...
首先采用 DBFE 对高光谱遥感图像进行特征提取, ry Feature Extraction, 消除特征 之间相关性, 并降低特征维数, 然后采用 GA 对 SVM 参数进行优化, 找到最优分类...
集中应用支持向量机(SVM)分类器实 现图像监督分类的...结 合原光谱特征组合成一个多特征的高维特征空间; ...以及有向无环图支持向量机等;另 一种是在优化公式...
SVM 分类器 , 每个分类器用于识别其中两 个类别 , 并将它们的判别结果以某种方式组合起 来实现多类分类 ; ( 2 ) 将多个分类面的参数求解合 并到一个最优化...
基于K_means与SVM结合的遥... 3页 免费 基于最大...基于人工蚁群优化算法的遥感图像自动分类基于人工蚁群优化...#$% "作为人工生命技术中解决组合优化问题的一种...
利用高光谱图像的谱fhJ相关性将原始光谱波段划分为...该方法利用特征提取优化了光谱信息,降低r谱『日j...用于LS-SVM分类器的组合特征,并用LSSVM 实现r分类...
影像数 据( 光 谱维数为 20) 构建 SVM 分类器...且 类别集群 是优化 影像 分类的有效方法之一。 关键...光谱图像 以实现地表物体的 准确识 别, 从 而在 ...
热门文档