[发明专利]粒子群优化多核支持向量回归的光谱反射率重建方法

摘要

本发明涉及粒子群优化多核支持向量回归的光谱反射率重建方法，首先，采集多光谱图像获取通道响应G数据，利用分光光度计获取光谱反射率数据，建立数据集；然后，通过样本选取方法确定训练样本个数；接着，通过多项式函数和柯西核函数非线性结合，构造出具有泛化能力和学习能力的多核核函数，建立支持向量机模型；同时，利用粒子群优化方法对多项阶数d、柯西核函数宽度σ和惩罚因子c进行优化，利用最终的回归决策函数对反射率进行重建。两个核函数相乘作为新的核函数，避免了高维分布可能存在不平坦的数据的情况，改善模型预测能力；通过PSO算法对参数寻优，动态获取每一个回归方程的最优参数，有效地提高算法的重建精度和模型预测能力。

主权项

1.粒子群优化多核支持向量回归的光谱反射率重建方法，其特征在于，包括以下步骤：步骤1，采集多光谱图像获取通道响应G数据，利用分光光度计获取光谱反射率数据，建立数据集；步骤2，通过样本选取方法确定训练样本个数；步骤3，构造多核核函数；所述多核核函数的构造过程是：3.1)，根据光谱数据本身具有高维度、小样本、数据不规则的特点，分别利用全局核函数和局部核函数对RAL色卡的反射率进行重建；3.2)，根据所述步骤3.1)的重建结果，分析每个核函数的重建精度；3.3)，根据所述步骤3.2)每个核函数的重建精度分析结果，结合全局核函数和局部核函数的特点，选择出：多项式核函数：K(x,y)＝(xty+1)d(1)式中，x,y为n维输入值，xt为输入向量x的转置，d用来设置多项式函数的最高次项次数，即函数的阶数；柯西核函数：式中，x,y为n维输入值，σ为带宽；将式(1)和式(2)的函数进行非线性组合，构造出具有泛化能力和学习能力的多核核函数：式中，d为多项式核函数的阶数，柯西核函数的宽度为σ，其中σ主要控制各个支持向量之间的关联关系，Kcp为本发明多核核函数的表示；步骤4，建立支持向量回归模型，根据回归决策函数结合经过粒子群优化方法优化参数后的多核核函数，得到最终的回归决策函数：步骤5，利用粒子群优化方法优化参数，对多项式核函数的阶数d、柯西核函数宽度σ和惩罚因子C进行优化；步骤6，利用最终的回归决策函数对反射率进行重建，并与所述步骤一中的反射率数据进行对比分析。