[发明专利]基于自适应PSO的人工免疫网络的遥感图像目标识别方法

摘要

本发明公开了一种基于自适应PSO的人工免疫网络遥感图像目标识别方法，主要克服现有方法目标识别精度不高，收敛速度较慢的缺点。其实现步骤为：(1)提取图像目标的7个不变矩特征，并对这些特征数据作归一化处理；(2)设定运行参数，选择训练样本，初始化免疫网络和免疫细胞；(3)计算免疫细胞的亲和度，并克隆；(4)执行基于自适应PSO的超变异操作；(5)选出亲和度最高的免疫细胞添加到免疫网络；(6)网络抑制操作；(7)判断停止条件，满足转(8)，否则跳到(3)；(8)将未作为训练样本的遥感图像的特征值输入免疫网络，由免疫网络判断出每幅图像的类别属性值。该方法具有目标识别精度高，目标识别性能稳定的优点，可用于解决遥感图像集的目标识别问题。

主权项

一种基于自适应PSO的人工免疫网络遥感图像目标识别方法，包括如下过程：(1)提取图像目标的7个不变矩特征，并对这些特征数据作归一化处理；(2)设定运行参数，选择训练样本，初始化免疫网络和免疫细胞；(3)用统计免疫细胞对训练样本的正确识别率的方法，计算所有免疫细胞的亲合度，克隆免疫细胞；(4)对克隆后的免疫细胞群体执行如下基于自适应PSO的超变异操作：4a)设置免疫细胞的各维初始速度：V(i，j)＝rand*pm*|MC(i，j)-train(k，j)|*(MC(i，j)-train(k，j))其中，pm为变异概率，MC(i，j)表示第i个免疫细胞的第j维元素，train(k，j)表示随机选取的训练样本的j维元素，4b)根据设置的初始速度执行基于自适应PSO的变异操作，得到变异后的免疫细胞：MC′(i，j)＝MC(i，j)+W(i)*V(i，j)+r1*rand*exp(-f(i))+r2*rand*(gBest(j)-MC(i，j))其中，f(i)表示第i个免疫细胞的亲和度值，gBest是全局极值，它表示当代种群中亲和度最高的免疫细胞，r1为局部学习参数、r2为全局学习参数，它们的取值之和为1，w是自适应惯性权值， w = w max f > f avg w min + ( w max - w min ) ( f - f min ) f avg - f min f ≤ f avg 其中，wmax＝0.9，wmin＝0.4，f表示当前免疫细胞的亲和度值，favg表示所有免疫细胞亲和度的平均值，fmin表示所有免疫细胞亲和度的最小值；(5)用统计免疫细胞对训练样本的正确识别率的方法，计算超变异后的免疫细胞群体的亲合度，并对该超变异后的免疫细胞群体执行克隆选择操作，选出亲和度最高的免疫细胞添加到免疫网络中；(6)选出免疫网络中部分亲和度值最低以及未能提高免疫网络对训练样本正确识别率的免疫细胞，并让它们死亡；(7)从免疫网络中选出亲和度值最高的免疫细胞，并判断它的亲和度值在迭代10次内有无变化，如果没有变化则继续执行(8)，否则，跳到第(3)步；(8)将未作为训练样本的遥感图像的特征值输入免疫网络，免疫网络判断出每幅图像的类别属性值。