[发明专利]一种基于记忆性多点交叉引力搜索的特征选择方法

摘要

本发明公开了一种基于记忆性多点交叉引力搜索的特征选择方法，其方法设定每个粒子为一个最优特征子集的备选解，通过波段子集评价函数评估备选解的质量，并引导粒子进行信息交流，完成快速收敛；质量最好的粒子对应的解即为最优光谱特征子集。为了提高算法的自适应性，本发明基于引力搜索算法提出了基于种群进化程度的信息交流机制：勘探阶段基于多点交叉策略充分向种群内其他粒子学习，进行广泛的搜索；开发阶段集中向种群和自己的最优经验学习，保证快速的收敛。本发明能够选出波段数少且可以得到稳定分类结果的最优光谱特征子集，从而解决高光谱遥感影像数据冗余度高导致的计算复杂、分类精度低等问题。

主权项

1.一种基于记忆性多点交叉引力搜索的特征选择方法，其特征在于，包括以下步骤：步骤S1、选择待特征选择的原始遥感影像HI，确定遥感影像HI的总波段数D，同时根据原始遥感影像HI上实际地物分布与类别数，确定样本区域并提取样本数据SHI；步骤S2、初始化处理：设定种群大小，即设定粒子数目为N，每个粒子代表一个备选特征子集，初始化种群中各个粒子的位置Xi(t)及其对应的速度Vi(t)，1≤i≤N，且i为正整数，t为当前迭代次数；步骤S3、开始迭代：基于支持向量机(Support Vector Machine，SVM)分类器，利用每个粒子Xi(t)代表的特征子集对样本数据SHI进行分类，得到N个粒子对应的分类精度Accuracy＝[Acc1(t),Acc2(t),...,Acci(t),...,AccN(t)]，其中，Acci(t)表示第i个特征子集的分类精度；步骤S4、计算每个粒子的适应度值fit_i(t)，其中，ω为平衡分类精度与波段数的权重，n_s为X_i(t)中值为1的维数；步骤S5、基于每个粒子的适应度值fiti(t)确定每个粒子的个体历史最优位置Pbi(t)与种群的全局历史最优位置Gb(t)；步骤S6，基于每个粒子的适应度值fiti(t)计算每个粒子的引力加速度ai(t)；步骤S7、判断种群的进化状态，基于所述每个粒子的引力加速度ai(t)、所述每个粒子的个体历史最优位置Pbi(t)和种群的全局历史最优位置Gb(t)根据进化状态为每个粒子选择最合适的信息交流方法，对粒子速度与位置进行更新；比较当前种群中粒子适应度值的标准差std(fit)与随机数rand是否满足std(fit)rand；如果两个条件均不满足，则认为搜索过程处于勘探阶段，粒子i更新速度为：vid(t+1)＝rand·vid(t)+aid(t)其中，为第t次迭代中粒子i在第d维度的更新速度，为第t次迭代中粒子的速度，a_i^d(t)为粒子i在第d维度的引力加速度；如果两个条件有一个或者两个得到满足，则认为搜索过程进入开发阶段，对于每一个维度d，要首先要判断变异率p_m与随机数rand是否满足p_m>rand，如果不满足，Gb(t)保持不变；如果满足，则对Gb(t)的第d维度Gb^d(t)进行高斯变异，即：然后基于记忆性的多点交叉策略更新粒子每个维度的速度：其中，为第t次迭代中粒子i在第d维度的更新速度，为第t次迭代中粒子i的历史最优在第d维度的位置，为第t次迭代中粒子i在第d维度的位置，c′＝c+2t/T_max，最大迭代次数T_max；基于新的速度对粒子位置进行更新，粒子i更新位置为：其中，为第t次迭代中粒子i在第d维度的更新位置；步骤S8、根据更新后粒子的位置，利用SVM分类器，计算N个粒子对应的特征子集的分类精度Acci(t+1)，然后根据评价函数更新每个粒子的适应度值，得到fiti(t+1)；步骤S9、基于fiti(t+1)更新粒子的个体历史最优位置和种群的全局历史最优位置；步骤S10、令t＝t+1，判断t是否大于最大迭代次数Tmax，如果t不大于Tmax，基于步骤S8中得到的fiti(t+1)和步骤S9中得到的更新后的粒子的个体历史最优位置和种群的全局历史最优位置根据步骤S6至步骤S9进行第t+1次迭代运算；如果t大于Tmax，将当前种群中适应度最好的粒子输出，输出步骤S9中所述更新后的种群的全局历史最优位置，即为样本数据SHI的最优特征子集，同时也是原始遥感影像HI的最优特征子集；步骤S11、根据最优特征子集包含的光谱波段，利用SVM分类器对原始遥感影像HI进行分类，得到其分类结果。