[发明专利]一种基于博弈论的多目标高光谱遥感影像波段选择方法

权利要求书

1.一种基于博弈论的多目标高光谱遥感影像波段选择方法，其特征在于：首先对高光谱遥感影像进行子空间划分，每个子空间选择多个波段组合成波段组合解作为进化算法的初始种群个体，然后计算种群个体信息熵和B距离，把算法的迭代看作是一次博弈，将信息熵和B距离两个目标函数看作是博弈的参与人进行博弈决策，按照混合二进制差分进化(HBDE)算法步骤进行种群迭代进化直至最终得到最佳优化波段组合为止；

所述方法的具体步骤如下：

步骤1：数据预处理

选择参与分类的地物类型，剔除受水汽噪声污染严重的波段，进行子空间划分等操作；

步骤2：初始化差分进化种群

设置种群规模大小为Nd，在子空间划分的约束下随机初始化波段组合可行解，设置差分进化的相关参数如：差分进化缩放因子F，杂交参数CR，最大迭代次数MaxDT等，其中缩放因子F按更新，F₀是一个常数，i表示第i次迭代；

步骤3：初始化外部集合

依据经典算法NSGA-II中采用的精英保留策略，设置一个外部集合保存每次算法迭代过程中发现的非支配解集； 当外部集合满时，采用裁减算子对外部集合解个数进行裁减，为了搜索得到的解保持多样性，裁减算子采用“第k个最近邻居”思想；首先k取值为1，然后计算每个解到外部集合所有其他解在目标空间上的距离，对这些距离值按照升序进行排列；比较各个解到其他解的最短距离，把距离最小的解即最近邻居，从外部集合中剔除；如果有若干组解具有相同的最短距离，则比较它们到其余解的第二近距离，然后确定第二距离中的最短距离并从外部集合中剔除，依此类推；若所有距离都相同，则随机剔除一个；

步骤4：博弈决策

分别计算种群个体在信息熵和B距离两个目标函数上的适应度值，在博弈模型中，每个参与人都期望自己的利益得到最大化，参与人按照对各个目标的偏好程度选择策略采取行动，对能使自己收益增大的目标，依据概率选择矩阵和偏好矩阵选择博弈策略，生成加“偏好”多目标适应度矩阵；

步骤5：算法迭代

按照混合二进制差分进化算法步骤进行种群迭代进化；

步骤6：选择个体

采用非支配解排序和拥挤距离选择最佳个体，组成下一代种群并且更新外部集合；

步骤7：检查是否满足终止条件，满足则进入步骤八，否则返回步骤四；

步骤8：输出外部集合中的非支配波段组合解。

2.如权利要求1所述的基于博弈论的多目标高光谱遥感影像波段选择方法，其特征在于：在自适应子空间划分中，采用基于相关性过滤的自适应子空间分解(ASD)法划分高光谱遥感影像波段集；该方法首先计算出两波段间的相关系数R_i,j，R_i,j的取值范围为-1<R_i,j<1； 相关系数的值越大，表明波段间的相关性越强；越接近于0，相关性越弱； R_i,j的定义为：

式中，μ_i、μ_j分别为x_i、x_j的均值，E(·)表示对括号内的函数求数学期望；根据得到的相关系数矩阵R，设定相应的阈值T，将R_i,j>T的连续波段组合成新的子空间；通过调整T的大小可以自适应地改变每个子空间的波段数量和子空间个数；再在各个子空间内按照比例Rs选取波段数，组成分类所需的波段组合，极大限度地降低波段之间的相关性。

3.如权利要求2所述的基于博弈论的多目标高光谱波段选择方法，其特征在于：构建一种基于目标偏好的有限次重复博弈模型，把n个目标看作是博弈的n个参与人，而遥感影像的信息量和类间可分性看作是待优化的目标，即把信息熵和B距离多目标适应度函数看作是博弈的参与人，把波段间的相关性作为约束条件，把算法的一次迭代看作是一次博弈，每个参与人为使自己的目标函数收益最大化分别采取策略行动选择合作或者对抗其他参与人，推动进化算法的种群向前迭代，最终得以接近多目标最优化解集合。