CN107437098B - 一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法 - Google Patents

一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法 Download PDF

Info

Publication number
CN107437098B
CN107437098B CN201710642702.3A CN201710642702A CN107437098B CN 107437098 B CN107437098 B CN 107437098B CN 201710642702 A CN201710642702 A CN 201710642702A CN 107437098 B CN107437098 B CN 107437098B
Authority
CN
China
Prior art keywords
algorithm
ant
differential evolution
binary
wave band
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
Application number
CN201710642702.3A
Other languages
English (en)
Other versions
CN107437098A (zh
Inventor
叶志伟
张旭
杨娟
陈宏伟
刘伟
王春枝
苏军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN201710642702.3A priority Critical patent/CN107437098B/zh
Publication of CN107437098A publication Critical patent/CN107437098A/zh
Application granted granted Critical
Publication of CN107437098B publication Critical patent/CN107437098B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2111—Selection of the most significant subset of features by using evolutionary computational techniques, e.g. genetic algorithms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法。包括：运行差分进化算法生成若干组较优的波段组合；在差分进化算法完成运行以后根据差分进化算法得到的解来设置二进制蚁群算法初始能见度信息并运行蚁群算法；蚁群算法根据差分进化算法提供的可见度信息和随机初始化的信息素信息在波段选择选择问题空间进行迭代搜索，直到满足停机准则输出最优波段组合子集，在运行过程中采用最优解保留策略。本发明实现了对高光谱图像具有较好分类识别能力的波段组合的优化选择，降低了输出波段组合的相关性和冗余度，使二进制蚁群算法的收敛速度和鲁棒性得到提高，进一步提高了波段选择的性能和效率。

Description

一种基于差分进化改进的二进制蚁群算法的高光谱图像波段 选择方法
技术领域
本发明属于遥感图像处理、模式识别和机器学习领域，具体涉及一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法。
背景技术
高光谱遥感图像数据波段很多，数据量大，同时波段宽度很窄且互有重叠，波段间的相关性很高，信息冗余量大，此外高光谱图像在成像过程中会受到很多复杂因素的影响，因此一些波段数据几乎全是噪声。基于以上原因，波段选择成为高光谱遥感应用的基础工作之一。波段选择旨在找到信息量最大的和波段数据间相关性较小的最优波段子集。使得任务如：分类，回归等达到和波段选择前近似甚至更好的效果并且提高算法泛化能力，提高模型的可理解性。从本质上说波段选择问题就是一个搜索最优或次优波段子集的组合优化问题。然而该问题的计算复杂度为O(2N)，是一个NP难的计算问题，在有限的时间内，常用的确定性优化算法难以获得上述问题的满意结果，因此常使用智能优化算法对上述问题进行求解，如遗传算法，二进制粒子群算法等等，然而上述算法本身容易陷入局部最优解，高光谱图像的波段选择问题还未完全解决。蚁群算法是一种全局搜索能力特别强的群集智能优化算法，特别适合于在离散优化问题的解空间进行多点非确定性搜索，特别是波段选择问题可以视为二元组合优化问题，即每个候选波段有两种状态，0或者1，代表没有选中和选中，可以采用二进制蚁群算法来求解高光谱图像波段选择问题。对于蚁群算法求解优化问题，通过设置合理的启发式信息，能够帮助算法提高解的质量和速度，然而在处理该问题时，基本二进制蚂蚁算法没有启发信息可以利用。因此考虑首先利用差分进化算法对波段选择问题进行求解，获得初步的波段选择结果，进而作为二进制蚂蚁算法的启发信息，然后使用二进制蚂蚁算法进一步进行优化求解，以提高解的质量。
二进制蚁群算法(简称BACO)是一种以基本蚁群算法为基础的二进制群体智能算法，可以求解二元离散优化或者连续优化问题。假设一个目标函数为极小值的连续优化问题描述如下：
如果一个解x+∈Rn且f(x+)＝min{f(x)|x∈Rn}，则它为全局最优解。在二进制蚁群算法中，将候选解x编码成二进制解串来构建搜索空间，例如一个二进制串(bk,L- 1bk,L-2,...,bk,i,...,bk,0),(bk,i∈{0,1})表示候选xk，L是二进制串的位数。寻找最优解的过程就是判断二进制串每一位最优状态的过程，即判断该位的标记状态是0还是1。对每个二进制节点，蚂蚁需要从两种标记状态中选择一种。在每一次迭代中，每只蚂蚁遍历所有的节点来建立一个候选解，它的移动痕迹形成一个有L位的二进制串；通过这种方法，蚁群将生成一组候选解。解的规模等于蚁群数量。最后将解码二进制串成一个十进制数，能够将它映射到解x中。
然而由于基本二进制蚁群算法一开始的启发信息是随机生成的或者没有利用启发信息，导致它的收敛速度较慢，而且随着二进制蚁群算法在参数空间中寻找最优解，随机节点状态变化都可能会导致局部最优解。因此，在蚁群算法开始阶段，适当的设置启发信息能帮助二进制蚁群算法获得更好的解，并且能提高算法自身的鲁棒性和运算效率。
差分进化算法(DE)是受生物演化过程启发而产生的随机搜索方法，是最常用的进化算法之一。它具有良好的鲁棒性，对算法稍加改动可以适应不同的应用环境，与遗传算法(GA)、蚁群算法(ACO)等智能优化算法相比，最大的优势在于能够快速收敛到最优解，易于与其他算法相结合，因为DE在本质上为进化算法，因此容易与其他算法相互融合以提高性能等，构造出更优胜的算法。因此，一种改进的二进制蚁群算法(简称MBACO)在此被提出并应用于高光谱图像波段选择。
支持向量机(SVM)具有较完备的理论体系和出色的性能，是迄今为止具有最小化分类错误率和最大化泛化能力的一种强有力的分类工具。我们用支持向量机分类器在此分类。
发明内容
为了解决基本二进制蚁群算法(BACO)没有使用待处理问题本身包含的启发信息的问题，在此提出了一种通过差分进化算法(DE)生成初始启发信息的改进的二进制蚁群算法(Improved Binary Coded Ant colony optimization Algorithm IBACO)，并将之用于高光谱图像波段选择。
一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法，其特征在于，该方法包括如下步骤：
步骤1：输入需要进行波段选择的高光谱图像S，抽取图像的波段信息，构成原始波段集；
步骤2：设置二进制差分进化算法的参数,初始化二进制差分进化算法种群，将差分进化算法的种群解码成波段子集，利用波段子集对样本集合进行分类，计算各波段子集对应个体的适应度值并且执行差分进化操作；初始差分进化算法的参数包括种群规模，交叉概率，缩放因子，最大运行次数；
步骤3：执行差分进化算法到最大设定运行次数，输出差分进化算法的最优解；根据差分进化算法得到的当前最优解(即适应度最高值)个体的二进制串设置二进制蚁群算法的初始能见度,初始化蚂蚁种群；初始化蚂蚁种群包括信息素浓度，种群规模，信息素权重因子和启发信息权重因子的设置；
步骤4：二进制蚁群算法对候选解进行搜索，得到一组蚁群算法的候选解；
步骤5：将蚁群算法生成的候选解的解码生成波段子集，计算各波段子集分类准确率并作为对应蚂蚁的适应度值，选出并保留当前最优解；
步骤6：如果二进制蚁群算法的当前最优解比上一代的更好，则替换当前的最优解；否则最优解不变；
步骤7：通过蚁群算法信息素更新公式更新蚁群搜索路径上的信息素浓度；
步骤8：判断最终条件是否满足，若否，则返回执所述步骤4；若是，则解码输出最优个体对应的最优波段子集。
在上述的一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法，所述步骤2和步骤5中求解适应度值公式定义为：
其中F(i)是个体i生成解的适应度值，n(i)是个体i选择的波段数目，λ是一个加权参数，通常设置为λ＝0.01。为了做更直观的评价，适应度值的显示形式采用小数，而不是百分比，Accuracy(i)表示运用个体i生成解得到的波段子集分类的分类精度，这里“个体”可以是蚂蚁个体和差分进化算法的个体，分类器采用支持向量机，分类精度的计算公式如下。
其中，TP(正确正例)：如果测试样本是正例的并且它被确定是正例的，则它被视为正确正例；TN(正确负例)：如果测试样本是负例的并且它被确定是负例的，则它被视为正确负例；FP(错误正例)：如果测试样本是负例的并且它被确定是正例的，则它被视为错误肯定；FN(错误负例)：如果测试样本是正例的并且它被确定是负例的，则它被视为错误正例。
在上述的一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法，所述步骤3中根据差分进化算法得到的解设置蚁群的启发信息(即初始能见度)，其设置方法为：如果最优个体的二进制串中某一位的值为“1”,则它对应的能见度值设置为一个较大的值，值为“0”的能见度值设置为一个较小的值。
在上述的一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法，所述步骤3中初始化蚂蚁种群包括信息素浓度，种群规模，这里种群规模和差分进化算法保持一致。
在上述的一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法，所述步骤2和步骤5中差分进化算法和蚁群算法的二进制串与波段之间的映射方式为：每个波段有两个候选的状态，即选择或者不选择，将其与二进制码进行映射。这里，每个波段和二进制串中每一位对应，编码的长度等于的波段的数目。最优解的每一位由“0”或“1”表示，“1”表示该波段将被选择用于分类，“0”表示该波段不会被选中。假设整个数据集有8个波段，本发明解的编码是“01010001”，就是说，第2,第3和第8个波段将被选中来构成一个波段子集，并且其它波段将被废弃。
在上述的一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法，步骤4中蚁群搜索候选解的规则如下：
在这里是蚂蚁k从节点(波段)l移动到状态“0”的概率，这里l是变量，其取值范围是[1,L],其中“L”表示原始波段集的长度，这里状态“0”表示波段没有被选择。参数“α”(α≥0)是信息素的相对重要程度。“β”(β≥0)是启发因子(能见度)的相对重要程度。τl(0)是路径(l，0)上的信息素浓度，同样，τl(1)是路径(l，1)上的信息素浓度。ηl(0)是路径(l，0)上的能见度，ηl(1)是(l，1)能见度，蚂蚁根据公式(3)和(4)计算选择每个波段状态为“0”或者“1”和概率值，并利用轮盘赌方式选择特征标记为“0”或者“1”的状态，蚂蚁每行走一步标记一个波段是否被选中，然后继续行走到下一个波段并完成此波段选择标记，一直到蚂蚁完成所有的波段选择标记。
在上述的一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法，通过公式(5)公式(6)新蚁群搜索路径上的信息素浓度：
在此，t表示迭代次数，τl(0)(t+1)表示第(t+1)次迭代中节点l标记为状态为“0”，τl(1)(t+1)表示第(t+1)次迭代中节点l标记为状态为“1”的信息素浓度，ρ是表示信息素挥发的速率，并且ρ∈[0,1]，和是增加的信息素，其中f(sbest)表示是最好的适应度值，根据最优解中节点l标记的状态为“0”或者“1”的状态，使用公式(5)或者(6)对信息素进行更新，如l标记的状态为“0”则使用公式(5)对其信息素进行更新，即标记为“0”的状态的信息素进行增加，否则使用公式(6)对其信息素进行更新。
本发明的有益效果是：通过差分进化算法设置蚁群的启发信息(初始能见度)，利用了待处理问题本身包含的启发信息；在信息素和能见度的双重影响下，每只蚂蚁都有多方向的搜索过程，提高了算法效率且避免蚁群陷入局部最优，提高了鲁棒性和算法性能。并依此提出了一种新的波段选择方法。
附图说明
图1是基于差分进化改进的二进制蚁群算法流程图。
图2是本发明实例的流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
请见图1、图2，本发明所采用的技术方案是：一种基于差分进化改进的二进制蚁群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：输入需要进行波段选择的高光谱图像S，抽取图像的每个波段信息，构成原始波段集合；
步骤2：设置二进制差分进化算法的参数,初始化二进制差分进化算法种群：染色体个数m1,每条染色体的基因数n1,变异率为F，交叉概率CR，终止迭代次数N1，并将差分进化算法的种群解码成波段子集，利用波段子集对样本集合进行分类，计算各波段子集对应个体的适应度值，如果不满足收敛条件，执行变异操作，新的变异个体为
vi(g+1)＝xr1(g)+F·(xr2(g)-xr3(g))
其中F为变异率，xi(g)表示第g代种群中的第i个个体。
再根据一定概率执行交叉操作
其中CR为交叉概率，j rand为随机数。
最后执行选择操作，然后转到步骤2。如果满足收敛条件，输出当前最优解xi；
步骤3：执行差分进化算法到最大设定运行次数，输出差分进化算法的最优解，根据差分进化算法(DE)最优解xi的二进制串设置二进制蚁群算法(BACO)的初始能见度，设置能见度方法如下：
如果最优个体的二进制串中某一位的值为“1”,则它对应的能见度值设置为一个较大的值，值为“0”的能见度值设置为一个较小的值，例如，ηi(1)＝0.8,ηi(0)＝0.2，这里i表示波段。假设波段集合有8个波段，差分进化算法得到的二进制串是“01010001”，则能见度值可分别从左到右设置为{0.2,0.8,0.2,0.8,0.2,0.2,0.2,0.8}。
步骤4：二进制蚁群算法开始搜索，得到一组蚁群算法的解，蚁群搜索最佳波段组合时由以下两条伪随机比例选择规则组成：
在这里是蚂蚁k从节点(波段)l移动到状态“0”的概率，这里l是变量，其取值范围是[1,L],其中“L”表示原始波段集的长度，这里状态状态“0”表示波段没有被选择。参数“α”(α≥0)是信息素的相对重要程度。“β”(β≥0)是启发因子(能见度)的相对重要程度。τl(0)是路径(l，0)上的信息素浓度，同样，τl(1)是路径(l，1)上的信息素浓度。ηl(0)是路径(l，0)上的能见度，ηl(1)是(l，1)能见度，蚂蚁根据选择规则计算选择每个波段状态为“0”或者“1”和概率值，并利用轮盘赌方式选择特征标记为“0”或者“1”的状态，蚂蚁每行走一步标记一个波段是否被选中，然后继续行走到下一个波段并完成此波段选择标记，一直到蚂蚁完成所有的波段选择标记。
步骤5：将蚁群算法生成的候选解的解码成波段子集，利用波段子集对样本集合进行分类，计算蚁群算法每个蚂蚁的适应度值，选出并保留当前最优解；计算二进制蚁群算法生成的每个候选解的适应度值，选出并保留当前最优解xk；适应度评价函数为：
其中f(i)是蚂蚁i生成解的适应度值，n(i)是蚂蚁i选择的波段数目，λ是一个加权参数，通常设置为λ＝0.01。为了做更直观的评价，适应度值的显示形式采用小数，而不是百分比，Accuracy(i)表示运用蚂蚁i生成解得到的波段子集分类的分类精度。
参数意义如下：TP(正确正例)：如果测试样本是正例的并且它被确定是正例的，则它被视为正确正例；TN(正确负例)：如果测试样本是负例的并且它被确定是负例的，则它被视为正确负例；FP(错误正例)：如果测试样本是负例的并且它被确定是正例的，则它被视为错误肯定；FN(错误负例)：如果测试样本是正例的并且它被确定是负例的，则它被视为错误正例。
步骤6：如果二进制蚁群算法(BACO)的当前最优解比上一代的更好，则替换最优解；否则最优解不改变；
步骤7：通过以下公式更新蚁群搜索路径上的信息素浓度:
在此，t表示迭代次数，τi,j(t+1)表示第(t+1)次迭代中节点i到节点j的路径上的信息素浓度，ρ是表示信息素挥发的速率，并且ρ∈[0,1]，是增加的信息素，其中f(sbest)表示是最好的适应度值。根据最优解中节点l标记的状态为“0”或者“1”的状态，使用上述公式对信息素进行更新，如l标记的状态为“0”则使用第一个公式对其信息素进行更新，即标记为“0”的状态的信息素进行增加，否则使用第二个公式对其信息素进行更新。
步骤8：判断最终条件是否满足，若否，则返回执所述步骤4；若是，则解码输出最优个体对应的最优波段子集。其中最优解的二进制串与波段之间的映射方式为：
每个波段有两个候选的状态，即选中或者取消，将其与二进制码进行映射。这里，每个波段和二进制串中每一位对应，编码的长度等于的波段的数目。最优解的每一位由“0”或“1”表示，“1”表示该波段将被选择用于分类，“0”表示该波段不会被选中。假设整个数据集有8个波段，改进的二进制蚁群算法的编码是“01010001”。就是说，第二,第四和第八波段将被选中来构成一个波段子集，并且其它波段将被废弃。例如，{1,2,3,4,5,6,7,8}是一个数据集样本，每一位表示一个波段。根据前面所述，{2,4,8}将被选中来组成波段子集。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (7)

1.一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法，其特征在于，该方法包括如下步骤：
步骤1：输入需要进行波段选择的高光谱图像S，抽取图像的波段信息，构成原始波段集；
步骤2：设置二进制差分进化算法的参数,初始化二进制差分进化算法种群，将差分进化算法的种群解码成波段子集，利用波段子集对样本集合进行分类，计算各波段子集对应个体的适应度值并且执行差分进化操作；初始差分进化算法的参数包括种群规模，交叉概率，缩放因子，最大运行次数；
步骤3：执行差分进化算法到最大设定运行次数，输出差分进化算法的最优解；根据差分进化算法得到的当前最优解个体的二进制串设置二进制蚁群算法的初始能见度,初始化蚂蚁种群；初始化蚂蚁种群包括信息素浓度，种群规模，信息素权重因子和启发信息权重因子的设置；
步骤4：二进制蚁群算法对候选解进行搜索，得到一组蚁群算法的候选解；
步骤5：将蚁群算法生成的候选解的解码生成波段子集，计算各波段子集分类准确率并作为对应蚂蚁的适应度值，选出并保留当前最优解；
步骤6：如果二进制蚁群算法的当前最优解比上一代的更好，则替换当前的最优解；否则最优解不变；
步骤7：通过蚁群算法信息素更新公式更新蚁群搜索路径上的信息素浓度；
步骤8：判断最终条件是否满足，若否，则返回执所述步骤4；若是，则解码输出最优个体对应的最优波段子集。
2.根据权利要求1所述的一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法，其特征在于，所述步骤2和步骤5中求解适应度值公式定义为：
其中F(i)是个体i生成解的适应度值，n(i)是个体i选择的波段数目，λ是一个加权参数，为了做更直观的评价，适应度值的显示形式采用小数，而不是百分比，Accuracy(i)表示运用个体i生成解得到的波段子集分类的分类精度，这里“个体”可以是蚂蚁个体和差分进化算法的个体，分类器采用支持向量机，分类精度的计算公式如下；
其中，TP为正确正例：如果测试样本是正例的并且它被确定是正例的，则它被视为正确正例；TN为正确负例：如果测试样本是负例的并且它被确定是负例的，则它被视为正确负例；FP为错误正例：如果测试样本是负例的并且它被确定是正例的，则它被视为错误肯定；FN为错误负例：如果测试样本是正例的并且它被确定是负例的，则它被视为错误正例。
3.根据权利要求1所述的一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法，其特征在于，所述步骤3中根据差分进化算法得到的解设置蚁群的启发信息，其设置方法为：如果最优个体的二进制串中某一位的值为“1”,则它对应的能见度值设置为一个较大的值，值为“0”的能见度值设置为一个较小的值。
4.根据权利要求1所述的一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法，其特征在于，所述步骤3中初始化蚂蚁种群包括信息素浓度，种群规模，这里种群规模和差分进化算法保持一致。
5.根据权利要求1所述的一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法，其特征在于，所述步骤2和步骤5中差分进化算法和蚁群算法的二进制串与波段之间的映射方式为：每个波段有两个候选的状态，即选择或者不选择，将其与二进制码进行映射；这里，每个波段和二进制串中每一位对应，编码的长度等于的波段的数目；最优解的每一位由“0”或“1”表示，“1”表示该波段将被选择用于分类，“0”表示该波段不会被选中。
6.根据权利要求1所述的一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法，其特征在于，步骤4中蚁群搜索候选解的规则如下：
在这里是蚂蚁k从节点l移动到状态“0”的概率，这里l是变量，其取值范围是[1,L],其中“L”表示原始波段集的长度，这里状态“0”表示波段没有被选择；参数“α”是信息素的相对重要程度,其中,α≥0；“β”是启发因子的相对重要程度,其中,β≥0；τl(0)是路径(l，0)上的信息素浓度，同样，τl(1)是路径(l，1)上的信息素浓度；ηl(0)是路径(l，0)上的能见度，ηl(1)是(l，1)能见度，蚂蚁根据公式(3)和(4)计算选择每个波段状态为“0”或者“1”和概率值，并利用轮盘赌方式选择特征标记为“0”或者“1”的状态，蚂蚁每行走一步标记一个波段是否被选中，然后继续行走到下一个波段并完成此波段选择标记，一直到蚂蚁完成所有的波段选择标记。
7.权利要求1所述的一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法，其特征在于，通过公式(5)公式(6)新蚁群搜索路径上的信息素浓度：
在此，t表示迭代次数，τl(0)(t+1)表示第(t+1)次迭代中节点l标记为状态为“0”，τl(1)(t+1)表示第(t+1)次迭代中节点l标记为状态为“1”的信息素浓度，ρ是表示信息素挥发的速率，并且ρ∈[0,1]，和是增加的信息素，其中f(sbest)表示是最好的适应度值，根据最优解中节点l标记的状态为“0”或者“1”的状态，使用公式(5)或者(6)对信息素进行更新，如l标记的状态为“0”则使用公式(5)对其信息素进行更新，即标记为“0”的状态的信息素进行增加，否则使用公式(6)对其信息素进行更新。
CN201710642702.3A 2017-07-31 2017-07-31 一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法 Active CN107437098B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710642702.3A CN107437098B (zh) 2017-07-31 2017-07-31 一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710642702.3A CN107437098B (zh) 2017-07-31 2017-07-31 一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法

Publications (2)

Publication Number Publication Date
CN107437098A CN107437098A (zh) 2017-12-05
CN107437098B true CN107437098B (zh) 2019-11-26

Family

ID=60459783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710642702.3A Active CN107437098B (zh) 2017-07-31 2017-07-31 一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法

Country Status (1)

Country Link
CN (1) CN107437098B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596118B (zh) * 2018-04-28 2021-04-23 北京师范大学 一种基于人工蜂群算法的遥感影像分类方法及系统
CN109241022A (zh) * 2018-09-11 2019-01-18 天津理工大学 一种基于蓝光存储的档案管理系统及其蚁群搜索算法
CN109829420B (zh) * 2019-01-18 2022-12-02 湖北工业大学 一种基于改进蚁狮优化算法的高光谱图像的特征选择方法
CN111178180B (zh) * 2019-12-16 2023-08-11 广州地理研究所 基于改进型蚁群算法的高光谱影像特征选择方法及装置
CN113011589B (zh) * 2021-03-29 2024-03-08 湖北工业大学 一种基于协同进化的高光谱图像波段选择方法及系统
CN112908416B (zh) * 2021-04-13 2024-02-02 湖北工业大学 生物医学数据特征选择方法及装置、计算设备及存储介质
CN114489061B (zh) * 2022-01-17 2023-05-16 湖北工业大学 一种基于鲸鱼优化算法的平滑路径规划方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102903006A (zh) * 2012-09-14 2013-01-30 哈尔滨工程大学 一种高光谱图像波段选择方法
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
CN106529563A (zh) * 2016-09-19 2017-03-22 西安电子科技大学 基于双图稀疏非负矩阵分解的高光谱波段选择方法
CN106599936A (zh) * 2016-12-29 2017-04-26 湖北工业大学 一种基于二进制蚁群算法的特征选择方法及系统
CN106886793A (zh) * 2017-01-23 2017-06-23 西安电子科技大学 基于判别信息和流形信息的高光谱图像波段选择方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102903006A (zh) * 2012-09-14 2013-01-30 哈尔滨工程大学 一种高光谱图像波段选择方法
CN106529563A (zh) * 2016-09-19 2017-03-22 西安电子科技大学 基于双图稀疏非负矩阵分解的高光谱波段选择方法
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
CN106599936A (zh) * 2016-12-29 2017-04-26 湖北工业大学 一种基于二进制蚁群算法的特征选择方法及系统
CN106886793A (zh) * 2017-01-23 2017-06-23 西安电子科技大学 基于判别信息和流形信息的高光谱图像波段选择方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Band selection algorithm of hyperspectral image based on steepest-ascent search algorithm;Zhou S等;《Application Research of Computers》;20081231;全文 *
结合遗传算法和蚁群算法的高光谱图像波段选择;王立国等;《中国图象图形学报》;20130228;第18卷(第2期);全文 *

Also Published As

Publication number Publication date
CN107437098A (zh) 2017-12-05

Similar Documents

Publication Publication Date Title
CN107437098B (zh) 一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法
CN106355192B (zh) 一种基于混沌灰狼优化的支持向量机方法
Zheng et al. Unsupervised evolutionary clustering algorithm for mixed type data
Wen et al. Learning ensemble of decision trees through multifactorial genetic programming
Jabeen et al. Review of classification using genetic programming
CN106599936A (zh) 一种基于二进制蚁群算法的特征选择方法及系统
CN107273818A (zh) 遗传算法融合差分进化的选择性集成人脸识别方法
Amorim et al. Semi-supervised pattern classification using optimum-path forest
Xiang et al. Pseudolikelihood em for within-network relational learning
Goel et al. Learning procedural abstractions and evaluating discrete latent temporal structure
Sui et al. Learning 3-opt heuristics for traveling salesman problem via deep reinforcement learning
CN106611036A (zh) 一种改进的多维尺度异构代价敏感决策树构建方法
Salama et al. Learning multi-tree classification models with ant colony optimization
Vandewiele et al. A genetic algorithm for interpretable model extraction from decision tree ensembles
Akash et al. Introducing confidence as a weight in random forest
CN109344972A (zh) 一种基于特征可信度的高效特征选择方法
Dernedde et al. Moco: A Learnable Meta Optimizer for Combinatorial Optimization
CN106611187A (zh) 一种多维尺度的异构代价敏感决策树构建方法
Tsakiridis et al. Extensions of the deco 3 r algorithm for generating compact and cooperating fuzzy rule-based classification systems
Zhang et al. Index t-SNE Based on Sobol Sequence Initialized Harris Hawk Optimization Algorithm
Cerri et al. An Algorithm Adaptation Method for Multi-Label Stream Classification using Self-Organizing Maps
CN105912887B (zh) 一种改进型基因表达式编程-模糊c均值作物数据分类方法
Takahashi Quantitative evaluation of iterative extended changing crossover operators to solve the traveling salesman problem: Diversity measurement and its application to selection strategies in genetic algorithms
CN117766155B (zh) 基于人工智能的动态血压医疗数据处理系统
Pizzuti et al. Self-adaptive differential evolution for community detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant