[发明专利]一种基于变长编码的二进制水稻育种算法的高光谱图像波段选择方法

权利要求书

1.一种基于变长编码的二进制水稻育种算法的高光谱图像波段选择方法，其特征在于，包括以下步骤：

步骤1：读取图像，获取图像波段信息，提取原始波段样本集作为原始输入集；

步骤2：初始化种群和变长编码二进制水稻育种算法所需参数，所述的初始化参数包括：种群规模PopSize，最大迭代次数I_max，最大自交次数maxTime，学习样本重置代数P_count，种群长度重置代数α，参考学习代数β，种群分组数目N_br；

步骤3：初始化各个分组中变长编码种群个体；

步骤4：将每个水稻个体进行二进制编码并求其所代表波段子集的适应度值；将变长编码的水稻育种算法中水稻个体的初始位置向量编码成相应的波段子集，计算每个波段子集的适应度函数；所述的波段子集是指将水稻育种算法中的水稻个体解码成对应的波段选择问题的解，编码后的水稻个体由一串0和1组成，1表示此位置对应的波段被选中，0表示此位置对应的波段未被选中；

步骤5：根据初始种群适应度值计算学习率P_c；

步骤6：根据种群的学习率P_c为水稻个体选择学习方式，水稻个体进行自我学习或参考学习，并在种群每迭代β代后判断局部最优P_best有无提升，若否，则水稻个体的学习方式为参考学习，若是，则水稻个体的学习方式为自我学习；

步骤7：水稻个体进行位置更新；首先根据种群个体适应度值大小将各个组中水稻个体划分为保持系、恢复系和不育系，然后通过水稻育种算法杂交、自交以及重置操作对水稻个体进行位置更新水稻育种算法杂交、自交以及重置操作对水稻个体进行位置更新；

步骤8：记录更新后的种群适应度值、局部最优P_best和全局最优G_best，并在种群每迭代α代后判断局部最优G_best有无提升，若有提升，则回转执行步骤6，若无提升，则执行步骤9；

步骤9：根据预定义规则更新种群个体的维度；

步骤10：重置学习率P_c；

步骤11：判断当前迭代次数是否达到最大迭代次数，若否，则执行步骤6，若是，则输出全局最优的水稻个体所对应的波段子集及其适应度值；

步骤3中根据种群组号初始化各组中的种群个体；

步骤3.1：根据种群划分公式划分种群，其公式为：

其中PopSize表示种群规模，Nbr为种群的划分组数，DivSize表示每个组别内水稻个体的个数；上述公式的具体含义是将PopSize个种群合体划分至Nbr个组别中，每个组中DivSize个个体；

步骤3.2：根据个体维度划分公式划分各个组中的个体维度，其公式为：

其中，ParLenv表示第V组中个体的维度，Maxlen表示输入图像的特征数量，V表示当前组号，Nbr表示种群的划分组数；

步骤4中所述的将每个水稻个体进行二进制编码并求其所代表波段子集的适应度值；

步骤4.1需利用S型函数对十进制表现形式的水稻个体进行二进制编码，S型函数的公式如下：

其中，表示第i个个体的第d个位置分量；

步骤4.2计算水稻个体适应度值，其计算公式为：

fitness＝(γ·Accu+(1-γ)·Dist)

其中，Accu表示特征子集分类的准确度，Dist用来衡量特征子集区分同类实例间或不同类实例间的区别的曼哈顿距离，γ用来约束Accu和Dist所占的权重；

其中Accu的计算公式为：

c表示分类问题中类别的总数，TPR_i表示第i类中实质的正确率；

又Dist的计算公式为：

其中D_b表示不同类间的最小距离，其计算公式如下：

其中D_w表示相同类间的最小距离，其计算公式如下：

其中M表示总的实例数目，Dis(I_i,I_j)表示实例i和实例j的曼哈顿距离；

步骤5中计算初始种群的学习率，其计算公式如下：

其中PopSize表示种群大小，rank(i)表示水稻个体i的适应度值排名，0.05和0.45为两个经验值。