[发明专利]基于遗传蜂群算法的高光谱遥感影像波段选择方法

说明书

技术领域

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

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。

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。

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。

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

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。

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：

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P_c、变异概率P_m、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y_i＝初始蜜源位置x_i、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L_limit；其中，x_i是一个D维向量，x_i＝(x_i1,x_i2,x_i3,…,x_iD)^T，i＝1,2,3,…,SN；

S3：求解当前蜜源位置y_i的适应度值fit(y_i)；

S4：引领蜂搜索：引领蜂如果搜寻到新的蜜源位置v_i，则根据式(1)来决定是否用新的蜜源位置v_i替换当前蜜源位置y_i：

式(1)中，fit(v_i)为新的蜜源位置v_i的适应度值；

新的蜜源位置v_i是一个D维列向量，v_i中的元素v_ij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P_i：

式(3)中，fit_i为第i个蜜源的适应度值，fit_k为第k个蜜源的适应度值；