CN104318515B - 基于nnia进化算法的高光谱图像波段降维方法 - Google Patents
基于nnia进化算法的高光谱图像波段降维方法 Download PDFInfo
- Publication number
- CN104318515B CN104318515B CN201410557507.7A CN201410557507A CN104318515B CN 104318515 B CN104318515 B CN 104318515B CN 201410557507 A CN201410557507 A CN 201410557507A CN 104318515 B CN104318515 B CN 104318515B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- wave band
- population
- mfrac
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000009467 reduction Effects 0.000 title claims abstract description 27
- 238000001228 spectrum Methods 0.000 title claims abstract description 21
- 230000035772 mutation Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 abstract description 15
- 238000005457 optimization Methods 0.000 abstract description 9
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000000354 decomposition reaction Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 238000010187 selection method Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 3
- 241000272510 Apteryx Species 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000028993 immune response Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开一种基于NNIA进化算法的高光谱遥感图像波段降维的方法，主要解决现有高光谱遥感图像波段降维方法改变原始图像的物理意义和不能较完整的保留感兴趣的信息以及去除冗余信息的问题。它通过定义两个目标函数，分别代表选择的波段组合信息的峰度和代表波段间相关性的KL散度，然后利用NNIA优化目标函数，得到一组非支配解，让用户自行选择需要的结果，可用于高光谱遥感图像的分类、目标识别、混合像元分解等技术领域中。本发明具有不改变原始波段的物理意义，能够较好的保留完整的信息、去除冗余信息，降维后分类准确度高的优点。
Description
技术领域
本发明属于遥感图像处理技术领域，涉及搜索选择，可用于图像分类、目标识别、混合像元分解等技术领域中。
背景技术
波段降维是高光谱遥感图像处理过程中的一个重要步骤。高光谱图像数据包含数百个连续波长的窄光谱。其丰富的光谱信息提供了准确的地物识别潜力。但其庞大的数据量在数据的传输计算和存储等方面都带来了很严重的问题。特别是当数据的维数很高的时候，一些波段之间存在很强的相关性，包含大量的冗余信息，这使得分类精度会随着有限的训练样本的维数的增加而下降，即出现Hughes现象。因此很多基于统计的分类方法对高光谱遥感图像是无效的，所以高光谱遥感图像的波段降维是高光谱数据应用的一个很关键的环节。
一般的高光谱数据降维有两种方法，即特征提取和特征选择。特征提取是基于变换的方法，例如：主成分分析(PCA)法，Fisher线性判别分析法，独立成分分析(ICA)法等，这些方法的特点是经过数次数学变换，提取出对分类影响最大的特征。这种方法的优点是基于数学变换直接将高维数据降到几维甚至一维，降维速度快。但是基于特征提取的方法有一个共同的缺点是对数据进行了变换改变了遥感图像原有的物理特性。特征选择是基于非变换的方法，这种方法是对源数据进行特征排序和特征聚类对光谱波段进行选择。常见的方法有基于互信息聚类的Walumi、基于梯度体积最大的VGBS、基于特征向量优先排序的MVPCA等方法。波段选择通常是被认为是一个搜索过程，波段选择的方法保留了图像原有的特性，更有利于对地物的分析具有更大的应用价值。
高光谱图像降维的关键是尽可能大的去除冗余信息和尽可能多的保留图像信息量，本专利使用KL散度来表示不同波段间的相关性，用峰度来表示保留图像的信息量。KL散度在信息论里又称为相对熵，是描述两个概率分布差异的一种方法。峰度又称为峰度系数，是表征概率密度函数分布曲线陡峭程度的数字特征，峰度值越大，数据的概率密度函数分布曲线越陡峭，表征数据所含的信息量越大，与传统的均值方差等一、二阶距相比较，峰度系数(四阶距)能更好的反映地物目标的信息丰富程度。
进化算法是基于自然选择和遗传变异等生物机制的一类启发式搜索算法，以达尔文进化论为思想不断发展，已被成功应用到多目标优化领域。现实社会当中总会遇到多个目标在给定的区域空间上尽可能最优的决策问题，而且当提高其中的某个目标会导致其他目标变差，这就是多目标问题。对于多目标问题的解来说，必须在多个目标之间取得一个平衡来获得相对折衷的解。但是不同于单目标优化问题只有一个最优解存在，多目标问题一个解对于某个目标是比较好的，对于其他目标来讲或许是差的。因此在多目标优化问题里定义一个集合称为pareto最优解集或非支配解集作为折衷解的集合。多目标优化就是找出这个折衷解集的分布情况，并根据具体情况找出适合问题的解。多目标优化问题从开始通过加权方式转化为单目标问题来解决到目前一直在不断的发展，1993年,Fonseca和Fleming提出了Multiobjective Genetic Algorithm(MOGA)，被认为是第一次利用进化算法求解多目标优化问题。将进化算法引入多目标优化问题降低了传统数学规划方法对权重值的敏感程度，提高了求解效率。进化算法通过父代与子代之间的优势基因保留，重组变异来实现全局搜索，对于搜索多目标优化问题的pareto最优解集是非常有用的。
NNIA是Gong和Jiao等人在2008年提出的：《Gong M,Jiao L,Du H,etal.Multiobjective immune algorithm with nondominated neighbor-based selection[J].Evolutionary Computation,2008,16(2):225-255.》。NNIA模拟了免疫响应中多样性抗体共生、少数抗体激活的现象，通过基于非支配邻域的个体选择方法，仅仅选择少数相对孤立的非支配个体作为活性抗体，根据活性抗体的拥挤程度进行比例克隆复制，对克隆后的抗体种群进行重组交叉和变异操作，加强了对当前Pareto前沿面中稀疏区域的搜索。NNIA是一种非常有效的EMO算法，特别是当目标维数较高的时候，对于困难的DTLZ等问题，NNIA比NSGA-II，SPEA2等方法更加有效。
发明内容
本发明的目的是提供一种基于NNIA进化算法的高光谱遥感图像降维的方法。
本发明的技术方案是利用NNIA进化算法进行高光谱遥感数据的波段选择，得到的波段组合权衡了有用信息保留和冗余信息的消除(去相关)，得到了一组满足目标函数的非支配折衷解，然后从中选取用户需要的波段组合。本发明克服了上述已有技术的一些不足，保留原有图像的物理特性得到的波段组合能够较好的保留有用信息去除波段间冗余性更好的适用于降维后地物分类、识别等后续运用。其具体实现过程如下：
(1)设置运行参数，最大迭代次数，输入选择波段数；
(2)输入原始遥感数据，随机生成初始波段组合，产生初始抗体种群；
(3)计算抗体种群的适应度；
(4)基于非支配邻域选择更新非支配种群C；
(5)判断是否迭代到最大一代，达到则转到步骤(10)，否则继续步骤(6)；
(6)选择少数相对孤立的非支配个体作为活性抗体种群；
(7)根据活性抗体种群的拥挤程度进行比例克隆复制；
(8)对克隆后的抗体进行重组交叉和变异操作得到种群D；
(9)通过组合种群C和D，形成新的抗体种群，返回步骤(3)；
(10)输出Pareto前端和波段组合；
(11)选择波段组合进行图像分类，输出分类结果图。
本发明的动机在于高光谱图像降维的关键是尽可能大的去除冗余信息和尽可能多的保留图像有用信息量，所以我们把去除冗余信息和保留有用信息当做目标函数来进行优化。由于高光谱遥感图像是连续窄波段的数据，往往信息量多的波段都聚集在一起相互之间具有大的冗余信息，所以这两个目标是不能同时满足，具有矛盾性的，一方面好时另一方面不一定好，这就可以考虑使用多目标进化算法对两个目标函数进行优化，得到一组折衷解，满足目标函数值最优。本发明与现有的技术相比具有以下优点：
1、本发明由于采取的是波段选择技术，所以更好的保留了原图像的物理特性；
2、本发明采用进化算法权衡保留图像有用信息和对冗余信息的去除；
3、本发明得到一组结果，而不是其他方法只得到一个结果，可以从中选择自己想要的波段组合。
附图说明
图1是本发明实现步骤的流程框图；
图2是pareto前端结果图；
图3是Indian_pinesCp(145×145×220)数据集的地物分类参考图；
图4、图5是用本发明对Indian_pinesCp数据集降维到16维，分别选择2组波段组合解进行地物分类得到的分类图像。
图6是用现有的波段选择方法MVPCA对Indian_pinesCp数据集降维到16维，得到的波段组合进行地物分类得到的分类图像。
图7是用现有的波段选择方法VGBS对Indian_pinesCp数据集降维到16维，得到的波段组合进行地物分类得到的分类图像。
具体实施方式
参照图1，本发明的具体实现步骤如下：
步骤1、给定运行参数，设定算法终止条件。
所述的运行参数包括：活性抗体种群大小NA、克隆规模CS、非支配种群大小NM、进化代数gmax和输入选择波段数Num。
优选地，NA设为20、CS设为100、NM设为100、gmax设为100。Num为用户需求的波段数，用户需要降到几维就输入几，在本发明里设为16。
步骤2、输入原始遥感图像数据，对原始数据进行转换变为L*M格式，其中L为一个波段中的像素个数，M为原始数据的波段数目。采用实数编码方式，波段序号表示的就是这个波段，随机生成初始波段组合，产生初始抗体种群。
可选地，用matlab的随机函数随机生成初始波段组合，产生初始抗体种群。
步骤3、计算抗体种群的适应度。
可以采用如下步骤进行：
3a)从原始图像数据中按照抗体种群波段组合提取出降维后的图像数据。
3b)求降维后的图像数据适应度。
在本专利里，降维后的图像数据适应度用以下目标函数1和目标函数2表述：
四阶中心矩的峰度系数度量了随机变量偏离正态分布陡峭程度，度量了随机变量特征信息的丰富程度。峰度系数值越大，密度函数曲线越陡峭。即峰度系数值越大说明数据越偏离正态分布，所含的信息量越大。峰度系数K表示为：
其中x是样本测定值，E(x)是样本平均值，μ2代表的是样本二阶中心距也就是方差σ2，μ4代表的是样本的四阶中心距。
目标函数1：
其中N为一个波段总的像素个数，n为选择的波段数，Xim为第i个波段中第m个像素的概率密度值，为第i个波段中所有像素的概率密度平均值。
KL散度是一种在信息论中得到广泛应用的信号相似度度量，若两个离散随机信号的概率分布函数分别为：P＝[P1，...，Pn，...，PN]T和Q＝[Q1，...，Qn，...，QN]T
定义Q相对于P的KL散度为：
KL散度的物理意义即用Q来表示P所需要的额外信息，即两信号的信息差。散度越大说明用Q来表示P难度越大，即两信号相似度越低，相关性越差。
目标函数2：
其中N为一个波段总的像素个数，n为选择的波段数，Xim为第i个波段中第m个像素的概率密度值，Xjm为第j个波段中第m个像素的概率密度值。
步骤4、进行非支配邻域选择产生非支配种群C.。
通过计算抗体种群得到的种群的适应度值，进行非支配快速排序得到非支配解，对应的个体就组成了非支配种群C。
步骤5、判断进化代数是否达到设置的最大迭代次数gmax，如果达到则转到步骤(10)，则继续步骤(6)。
步骤6、选择少数相对孤立的非支配个体作为活性抗体种群，计算所有非支配种群个体拥挤距离，按拥挤距离降序排列选择靠前的NA个为活性抗体种群。
对于非支配个体d∈D，D表示非支配个体种群，拥挤距离公式如下：
其中和代表第i个目标函数的最大值和最小值，ζi(d，D)如下：
步骤7、根据活性抗体种群的拥挤程度进行比例克隆复制，对于每一个活性抗体个体，其克隆比例为
其中nc代表克隆种群的规模大小，ζ(ai,A)是活性抗体ai的拥挤距离，A代表活性抗体种群。
步骤8、对克隆后的抗体进行重组交叉和变异操作得到种群D，具体步骤如下：
8a)对克隆产生的抗体种群进行重组交叉操作，交叉算子采用非一直交叉算子：Y＝rX1+(1-r)X2，其中X1，X2代表的是不同的克隆种群个体，Y代表的是交叉产生的新抗体，参数r取[0,1]间的常数，增加全局搜索性。
8b)对交叉操作后得到的抗体进行变异操作得到种群D，变异算子采用的是非均匀变异，由于非均匀变异是动态算子，在初始阶段均匀的搜索空间(当迭代次数t较小时)，而当迭代次数大的阶段则非常局部化，在种群个体周围变异，这样就使产生的新个体靠近其继承者的概率增加，对种群个体进行局部搜索，而不再是随机性的搜索，提高了变异算子对局部范围的搜索能力。
非均匀变异算子定义如下：
这里γ随机取0或者1，t是当前迭代次数，T是最大迭代次数，b是用户随机选的参数，本发明选取3，由它控制变异算子对迭代次数的依赖程度。
步骤9、通过组合种群C和D，形成新的抗体种群，返回步骤(3)；
步骤10、输出Pareto前端(如图2)和波段组合；
步骤11、选择Pareto前端上的波段组合进行图像分类，输出分类结果图。
本发明的效果可通过以下仿真进一步说明：
1.仿真条件及仿真内容：
本实例在Intel(R)Core(TM)2Duo CPU 2.80GHz Windows 7系统下，Matlab7.0运行平台上，完成本发明以及遥感图像和选择的波段组合的分类仿真实验。
2.仿真实验内容
A.本发明基于NNIA进化算法的高光谱遥感图像波段选择的仿真
将本发明应用在145×145×220的高光谱图像Indian_pinesCp数据集上，该数据集是行业公认的的高光谱数据处理实验数据，包括16类不同地物。图2是此数据我们输出的Pareto前端。
B.对原数据和降维得到的波段组合数据进行分类仿真
将本发明在Indian_pinesCp上选择得到的降维波段进行分类，其中图3是参考图，是人为标记的对比图，图4、图5是本实验选择的Pareto前端上的2组波段组合分类结果图，包括16类地物。
将现有的波段选择方法MVPCA和VGBS方法在Indian_pinesCp上选择得到的降维波段进行分类，仿真实验结果如图6和7所示。
3.仿真实验结果
从图2可以看出，本发明得到的仿真实验结果有较好的pareto前端，分布均匀且收敛。从图4、图5选取的2组波段得到分类图与图6、图7比较可以看出得到的分类图都更加接近于图3所示参考图。本发明得到的仿真实验结果有较好的主观视觉效果，错误分类出现较少，整体分类精度更高。
由以上的仿真实验可以说明，针对高光谱图像的降维，本发明存在一定的优势，克服了现有特征提取方法破坏图像物理特性的不足，比现有的波段选择方法更好的保留了有用信息去除冗余信息，有着更高的分类精度。
综上所述，本发明针对高光谱遥感图像的波段降维有比较好的效果。
Claims (3)
1.一种基于NNIA进化算法的高光谱遥感图像波段降维方法，包括如下步骤：
(1)设置运行参数，最大迭代次数，输入选择波段数；
(2)输入原始遥感数据，随机生成初始波段组合，产生初始抗体种群；
(3)计算抗体种群的适应度；
(4)基于非支配邻域选择更新非支配种群C；
(5)判断是否迭代到最大一代，达到则转到步骤(10)，否则继续步骤(6)；
(6)选择少数相对孤立的非支配个体作为活性抗体种群；
(7)根据活性抗体种群的拥挤程度进行比例克隆复制；
(8)对克隆后的抗体进行重组交叉和变异操作得到种群D；
(9)通过组合种群C和D，形成新的抗体种群，返回步骤(3)；
(10)输出Pareto前端和波段组合；
(11)选择波段组合进行图像分类，输出分类结果图；
其中步骤(3)中计算适应度的目标函数峰度系数和散度DKL：
(2a)峰度系数函数
<mrow>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>|</mo>
<mrow>
<mo>{</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>4</mn>
</msup>
<mo>&CenterDot;</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>-</mo>
<mn>3</mn>
<mo>}</mo>
</mrow>
<mo>|</mo>
</mrow>
<mo>;</mo>
</mrow>
其中N为一个波段总的像素个数，n为选择的波段数，Xim为第i个波段中第m个像素的概率密度值，为第i个波段中所有像素的概率密度平均值；
(2b)散度函数
<mrow>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>2</mn>
<mrow>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<mo>|</mo>
<mrow>
<mi>log</mi>
<mfrac>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
<msub>
<mi>X</mi>
<mrow>
<mi>j</mi>
<mi>m</mi>
</mrow>
</msub>
</mfrac>
</mrow>
<mo>|</mo>
<mo>)</mo>
</mrow>
</mrow>
其中N为一个波段总的像素个数，n为选择的波段数，Xim为第i个波段中第m个像素的概率密度值，Xjm为第j个波段中第m个像素的概率密度值。
2.根据权利要求1所述的基于NNIA进化算法的高光谱遥感图像波段降维方法，其中步骤(6)选择少数相对孤立的非支配个体作为活性抗体种群，计算所有非支配种群个体拥挤距离，按拥挤距离降序排列选择靠前的NA个为活性抗体种群。
3.根据权利要求1所述的基于NNIA进化算法的高光谱遥感图像波段降维方法，其中步骤(7)根据活性抗体种群的拥挤程度进行比例克隆复制，对于每一个活性抗体个体，其克隆比例为
<mrow>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>n</mi>
<mi>c</mi>
</msub>
<mo>&times;</mo>
<mfrac>
<mrow>
<mi>&zeta;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mo>|</mo>
<mi>A</mi>
<mo>|</mo>
</mrow>
</msubsup>
<mi>&zeta;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中nc代表克隆种群的规模大小，ζ(ai,A)是活性抗体ai的拥挤距离，A代表活性抗体种群。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410557507.7A CN104318515B (zh) | 2014-10-20 | 2014-10-20 | 基于nnia进化算法的高光谱图像波段降维方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410557507.7A CN104318515B (zh) | 2014-10-20 | 2014-10-20 | 基于nnia进化算法的高光谱图像波段降维方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104318515A CN104318515A (zh) | 2015-01-28 |
| CN104318515B true CN104318515B (zh) | 2017-08-25 |
Family
ID=52373741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410557507.7A Active CN104318515B (zh) | 2014-10-20 | 2014-10-20 | 基于nnia进化算法的高光谱图像波段降维方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104318515B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485709A (zh) * | 2016-10-17 | 2017-03-08 | 哈尔滨工业大学 | 基于熵冗余度和克隆选择的高光谱波段选择方法 |
| CN109146890B (zh) * | 2018-07-16 | 2020-07-31 | 西安电子科技大学 | 基于滤波器的高光谱图像的异常目标检测方法 |
| CN112085619A (zh) * | 2020-08-10 | 2020-12-15 | 国网上海市电力公司 | 一种用于配电网数据优化的特征选择方法 |
| CN112084877B (zh) * | 2020-08-13 | 2023-08-18 | 西安理工大学 | 基于nsga-net的遥感图像识别方法 |
| CN112633457A (zh) * | 2020-12-18 | 2021-04-09 | 湖北工业大学 | 一种基于多目标水稻育种算法的高光谱图像波段选择方法 |
| CN112580606B (zh) * | 2020-12-31 | 2022-11-08 | 安徽大学 | 基于聚类分组的大规模人体行为识别方法 |
| CN114143737B (zh) * | 2021-12-17 | 2023-11-24 | 暨南大学 | 一种基于WiFi无接触感知的多人室内定位方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101271572A (zh) * | 2008-03-28 | 2008-09-24 | 西安电子科技大学 | 基于免疫克隆选择聚类的图像分割方法 |
| US8015127B2 (en) * | 2006-09-12 | 2011-09-06 | New York University | System, method, and computer-accessible medium for providing a multi-objective evolutionary optimization of agent-based models |
| CN103914705A (zh) * | 2014-03-20 | 2014-07-09 | 西安电子科技大学 | 一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法 |
| CN103942571A (zh) * | 2014-03-04 | 2014-07-23 | 西安电子科技大学 | 一种基于遗传规划算法的图形图像分类方法 |
-
2014
- 2014-10-20 CN CN201410557507.7A patent/CN104318515B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8015127B2 (en) * | 2006-09-12 | 2011-09-06 | New York University | System, method, and computer-accessible medium for providing a multi-objective evolutionary optimization of agent-based models |
| CN101271572A (zh) * | 2008-03-28 | 2008-09-24 | 西安电子科技大学 | 基于免疫克隆选择聚类的图像分割方法 |
| CN103942571A (zh) * | 2014-03-04 | 2014-07-23 | 西安电子科技大学 | 一种基于遗传规划算法的图形图像分类方法 |
| CN103914705A (zh) * | 2014-03-20 | 2014-07-09 | 西安电子科技大学 | 一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法 |
Non-Patent Citations (2)
| Title |
|---|
| Multiobjective Immune Algorithm with Nondominated Neighbor-Based Selection;Maoguo Gong et al.;《Evolutionary Computation》;20080229;正文第6-7页第3节算法描述，正文第8页图1下的第1段，正文第11页第4.1节实验设置 * |
| 基于进化优化的高光谱特征选择算法研究;杜倩男;《中国优秀硕士学位论文全文数据库信息科技辑》;20141015(第10期);第二章背景知识介绍第10-12页、第三章3.3节实验设置、第五章基于多目标优化的特征选择 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104318515A (zh) | 2015-01-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104318515B (zh) | 基于nnia进化算法的高光谱图像波段降维方法 | |
| CN110728224B (zh) | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 | |
| CN102915445B (zh) | 一种改进型的神经网络高光谱遥感影像分类方法 | |
| CN109344698B (zh) | 基于可分离卷积和硬阈值函数的高光谱波段选择方法 | |
| CN111785329B (zh) | 基于对抗自动编码器的单细胞rna测序聚类方法 | |
| CN110852227A (zh) | 高光谱图像深度学习分类方法、装置、设备及存储介质 | |
| CN103914705B (zh) | 一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法 | |
| CN110288030A (zh) | 基于轻量化网络模型的图像识别方法、装置及设备 | |
| CN109241424A (zh) | 一种推荐方法 | |
| CN106599797A (zh) | 一种基于局部并行神经网络的红外人脸识别方法 | |
| CN106022865A (zh) | 一种基于评分和用户行为的商品推荐方法 | |
| Li et al. | A solanaceae disease recognition model based on SE-Inception | |
| CN103440493A (zh) | 基于相关向量机的高光谱影像模糊分类方法及装置 | |
| CN108985360A (zh) | 基于扩展形态学与主动学习的高光谱分类方法 | |
| CN114821164A (zh) | 基于孪生网络的高光谱图像分类方法 | |
| CN103366189A (zh) | 一种高光谱遥感图像的智能化分类方法 | |
| CN103093247B (zh) | 一种植物图片的自动分类方法 | |
| CN108062566A (zh) | 一种基于多核潜在特征提取的智能集成软测量方法 | |
| CN106570537A (zh) | 一种基于混淆矩阵的随机森林模型选择方法 | |
| CN106599610A (zh) | 预测长链非编码rna和蛋白质联系的方法及系统 | |
| CN108320027A (zh) | 一种基于量子计算的大数据处理方法 | |
| CN101226521A (zh) | 一种用于多义性数据对象预测建模的机器学习方法 | |
| CN106227767A (zh) | 一种基于领域相关性自适应的协同过滤方法 | |
| Bharathi et al. | Optimal feature subset selection using differential evolution and extreme learning machine | |
| CN105678798A (zh) | 一种结合局部空间信息的多目标模糊聚类图像分割方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |