CN111144308B - 一种高岭土矿物信息提取模型及其建立方法和应用 - Google Patents

一种高岭土矿物信息提取模型及其建立方法和应用 Download PDF

Info

Publication number
CN111144308B
CN111144308B CN201911372433.9A CN201911372433A CN111144308B CN 111144308 B CN111144308 B CN 111144308B CN 201911372433 A CN201911372433 A CN 201911372433A CN 111144308 B CN111144308 B CN 111144308B
Authority
CN
China
Prior art keywords
kaolin
bird egg
egg
wavelength
mineral information
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
CN201911372433.9A
Other languages
English (en)
Other versions
CN111144308A (zh
Inventor
黄照强
王明威
倪斌
张亚龙
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.)
Research Institute Of Mineral Resources General Administration Of Metallurgical Geology Of China
Original Assignee
Research Institute Of Mineral Resources General Administration Of Metallurgical Geology Of China
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 Research Institute Of Mineral Resources General Administration Of Metallurgical Geology Of China filed Critical Research Institute Of Mineral Resources General Administration Of Metallurgical Geology Of China
Priority to CN201911372433.9A priority Critical patent/CN111144308B/zh
Publication of CN111144308A publication Critical patent/CN111144308A/zh
Application granted granted Critical
Publication of CN111144308B publication Critical patent/CN111144308B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Molecular Biology (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供了一种高岭土矿物信息提取模型及其建立方法和应用。本发明的高岭土矿物信息提取模型的建立方法，包括：步骤一：获取包含高岭土光谱特征的地面矿物信息；步骤二：基于鸟蛋位置编码构建波长组合，采用杜鹃搜索算法对所述地面矿物信息进行优化，获得用以输出最优波长组合的高岭土矿物信息提取模型。本发明的高岭土矿物信息提取模型能够适应大范围区域高岭土矿物的提取，通过输出最优波长组合即可快速地对机载高光谱信息中的高岭土矿物信息进行识别，高岭土矿物提取精度高。

Description

一种高岭土矿物信息提取模型及其建立方法和应用
技术领域
本发明涉及矿物信息提取技术领域，尤其是涉及一种高岭土矿物信息提取模型及其建立方法和应用。
背景技术
遥感信息提取是从海量、不完全的、有噪声的、模糊的、随机的实际应用遥感影像数据中提取出蕴涵在其中的大量的对用户有用的信息，例如地物、植被、温度等，并将其形成结构化的数据放入数据库中或以其它形式提供给用户查询使用。目前，基于遥感技术的矿物信息提取方法主要使用的是多光谱影像技术，然而该技术所包含的特征信息相对有限，对于大范围区域的识别精度相对较低。
高光谱遥感技术是利用很窄而连续的光谱通道对地物持续遥感成像的技术，通常具有波段多等特点，能够收集到上百个非常窄的光谱波段信息。相对于传统的遥感技术，高光谱遥感在对地观测和环境调查中提供了更为广泛的应用。尽管高光谱遥感技术对地物的分辨识别能力大大提高，并且可以区别属于同一种地物的不同类别，然而由于其主要依赖卫星高光谱影像，因此容易受天气、环境等客观条件影响导致光谱信息存在一定的失真；此外，高光谱影像波段信息丰富，其中包含了一定的冗余信息，从而降低了信息提取的精度。
鉴于此，特提出本发明。
发明内容
本发明提供一种高岭土矿物信息提取模型及其建立方法和应用，该模型能够输出高岭土矿物的最优波长组合，从而快速地对大范围区域高岭土矿物机载高光谱信息中的高岭土矿物信息进行识别和输出，高岭土矿物提取精度高。
本发明提供的一种高岭土矿物信息提取模型的建立方法，包括：
步骤一：获取包含高岭土光谱特征的地面矿物信息；
步骤二：基于鸟蛋位置编码构建波长组合，采用杜鹃搜索算法对所述地面矿物信息进行优化，获得用以输出最优波长组合的高岭土矿物信息提取模型。
现有技术中，地面光谱仪可以通过实地采集获取不同矿物的光谱特征曲线，然而由于其作业效率较低，通常不适用于大范围区域样本的采集；同时，机载平台高光谱传感器可以对较大范围工作区域的样本进行实时采集，然而存在光谱信息失真、冗余等问题，信息提取精度低，无法与实际高岭土矿物的特征分布相匹配。传统的波段选择技术虽然能在一定程度上降低数据维度，但是计算过程较为复杂，且计算过程不可逆，无法确定具体的波长。
针对上述问题，本发明通过地面光谱仪实地采集以获取不同矿物光谱特征曲线，同时结合机载平台高光谱传感器对较大范围工作区域的样本进行实时采集以获取机载高光谱数据，通过杜鹃搜索算法对地面矿物光谱特征曲线进行降维以选择出最优波长组合，同时结合高岭土矿物的特征吸收波长，将其在机载高光谱影像上进行对应，利用最优波长组合对机载高光谱影像中包含的高岭土矿物点进行识别。
本发明的上述方式将地面光谱特征与机载高光谱数据融合，通过地面数据对机载数据进行修正，使得两者保持相似的变化趋势，以充分发挥各自的优势，在保证一定地面训练样本的基础上，能够得出精准的高岭土矿物信息提取模型，利用该模型能够快速、精准地提取出大范围机载影像所包含的高岭土矿物点。
在本发明中，所述步骤一可以包括：获取地面光谱特征曲线，通过ENVI软件提取地面光谱特征曲线在不同波长下的光谱反射率并作为特征向量，针对高岭土与非高岭土矿物构建地面矿物信息样本集。本发明通过高岭土与非高岭土矿物构建的地面矿物信息样本集对模型进行反复训练和验证，进一步提高了模型的精准性。
在本发明中，所述步骤二可以包括：
步骤a：初始化种群和杜鹃搜索算法所需参数；
步骤b：获取杜鹃搜索算法中鸟蛋的初始位置,将所述初始位置向量解码成初始波长组合，获取所述初始波长组合的适应度值；
步骤c：获取鸟蛋的更新位置,将所述更新位置向量解码成更新波长组合，获取所述更新波长组合的适应度值；
步骤d：对所述初始波长组合和更新波长组合中高岭土矿物的特征波长进行加权，通过比较初始波长组合和更新波长组合的适应度值对种群位置进行更新；
步骤e：获取当前全局最优的鸟蛋位置及其适应度值，确定下一次迭代的更新步长；
步骤f：重复步骤c至步骤e，直至达到预设的最大运行迭代数，获得用以输出最优波长组合的高岭土矿物信息提取模型。
具体地，上述步骤a中，杜鹃搜索算法所需参数可以根据实际需求确定，参数例如种群大小N、最大迭代次数T、鸟蛋被发现的概率pa、速度步长控制参数α、列维飞行步长控制参数λ、鸟蛋的初始位置等。
上述步骤a、步骤b中，将初始位置、更新位置向量解码成相应波长组合的方法可以包括：将原始算法编码由十进制通过公式(1)转变为二进制，位置每一维度的取值为0或者1，0表示该分量对应的波长不被选择，1表示该分量对应的波长被选择；
Figure BDA0002335942800000031
其中，tan h(·)表示双正切函数，其中·表示为变量，rand表示一个服从均匀分布的随机数。
在本发明中，所述适应度值通过公式(2)获得：
Figure BDA0002335942800000041
其中，F(i)表示鸟蛋i的适应度值，Accuracy(i)表示鸟蛋i选择的波长组合所得高岭土矿物的识别精度，n(i)表示此次选择的波长个数，λ表示特征数量的权重参数。
上述步骤c中，鸟蛋更新位置的获取方法包括：通过位置更新公式(3)对鸟蛋的位置进行更新；
Figure BDA0002335942800000042
其中，xi(t)表示第i只杜鹃鸟在第t次迭代的鸟蛋位置，
Figure BDA0002335942800000043
表示点对点乘法，α＝1，Levy(λ)通过公式(4)获得：
Levy(λ)＝u/|v|1/λ (4)
其中，u:N(0,σ2)和v:N(0,1)表示两个服从正态分布(通常用符号N表示)的变量。
进一步地，鸟蛋更新位置的获取方法还包括：通过列维飞行策略对鸟蛋的位置进行更新；其中，列维飞行策略包括：
用随机数r∈[0,1]与发现外来鸟蛋的概率pa对比，并进行如下判断：
若r＞pa，则通过列维飞行随机改变鸟蛋位置，获得新的鸟蛋位置及其适应度值，比较并保留最优适应度值的鸟蛋位置；
若r≤pa，则将其与上一代最优鸟蛋位置的适应度值进行比较并保留当前最优适应度值的鸟蛋位置。
上述步骤d中，所述高岭土矿物特征波长包括主要吸收峰2204-2207nm和次要吸收峰2165-2168nm；所述加权的权重可以为1.2-1.8；对种群位置进行更新的规则包括：若鸟蛋位置向量对应的适应度值高于上一次迭代，则替换上一次迭代的鸟蛋位置；否则，保留上一次迭代的鸟蛋位置。
上述步骤e中，每一次迭代过程中杜鹃搜索算法的步长根据当前鸟蛋及全局最优鸟蛋的位置进行更新，步长更新公式为：
stepi＝0.01·ui/|vi|1/λ·(xi-xb) (5)
其中，xb表示全局最优鸟蛋的位置，xi表示鸟蛋i的位置，ui和vi表示公式(4)中变量的数值。
本发明还提供一种高岭土矿物信息提取模型，按照上述建立方法获得。
本发明还提供一种高岭土矿物高光谱遥感信息提取方法，包括：
获取待测区域的机载高光谱信息；
将地面矿物信息与机载高光谱信息进行对应，利用上述高岭土矿物信息提取模型对机载高光谱信息中的高岭土矿物信息进行识别。
与现有技术相比，本发明的有益效果为：
1、本发明的方法能够建立一种准确的高岭土矿物信息提取模型，该模型计算过程简单，能够剔除大量的冗余信息，输出高岭土矿物的最优波长组合，显著提高了信息提取的精度；
2、本发明的模型能够适应大范围区域高岭土矿物的提取，通过输出最优波长组合能够快速地对机载高光谱信息中的高岭土矿物信息进行识别，高岭土矿物提取精度高。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施方式的高岭土矿物高光谱遥感信息提取方法的流程示意图；
图2为本发明一实施方式的高岭土矿物高光谱遥感信息提取结果；其中，a为机载高光谱影像，b为高岭土矿物识别结果。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
本发明的高岭土矿物信息提取模型的建立方法，包括：
步骤一：获取包含高岭土光谱特征的地面矿物信息；
步骤二：基于鸟蛋位置编码构建波长组合，采用杜鹃搜索算法对所述地面矿物信息进行优化，获得用以输出最优波长组合的高岭土矿物信息提取模型。
结合图1，本实施例的高岭土矿物信息提取模型的建立方法，包括如下步骤：
步骤1：获取地面矿物信息
具体地，通过地面光谱仪进行实地采集，获取地面光谱特征曲线，通过ENVI软件提取曲线在不同波长下的光谱反射率并作为特征向量，针对高岭土与非高岭土矿物构建地面矿物样本集。
步骤2：初始化种群和杜鹃搜索算法所需参数
具体地，初始化种群和杜鹃搜索算法所需的参数，初始化杜鹃搜索算法所需的参数包括种群大小N、最大迭代次数T、鸟蛋被发现的概率pa、速度步长控制参数α、列维飞行步长控制参数λ、鸟蛋的初始位置。
步骤3：获取鸟蛋的初始位置并解码
具体地，采用二进制编码空间，将杜鹃搜索算法中鸟蛋的初始位置向量解码成相应的波长组合(即初始波长组合)，通过适应度函数计算得出每组编码对应波长组合的适应度值。
其中，将初始位置向量解码成相应波长组合的方法可以包括：将原始算法编码由十进制通过公式(1)转变为二进制，位置每一维度的取值为0或者1，0表示该分量对应的波长不被选择，1表示该分量对应的波长被选择，每一组编码代表了不同波长的组合，通过从中选择质量较优的波长进行组合，降低数据维度，其转换公式为：
Figure BDA0002335942800000071
其中，tan h(·)表示双正切函数，rand表示一个服从均匀分布的随机数。
此外，利用目标函数计算得到每个波长组合的适应度值，通过选择尽可能少的波长信息获取更高的识别精度，其适应度值计算公式为：
Figure BDA0002335942800000072
其中，F(i)表示鸟蛋i的适应度值，Accuracy(i)表示鸟蛋i选择的波长组合所得高岭土矿物的识别精度，n(i)表示此次选择的波长个数，λ表示特征数量的权重参数，取值为0.01。
步骤4：更新鸟蛋的位置
具体地，通过杜鹃搜索算法中的位置更新公式及列维飞行策略依次更新鸟蛋的位置，获得鸟蛋的更新位置。
在杜鹃搜索算法运行过程中，一枚鸟蛋代表一个待求解问题的解决方案，其宗旨是利用新的、更优的策略，来取代原来相对较差的策略。通过杜鹃搜索算法中的位置更新公式进行随机搜索，其位置更新公式为：
Figure BDA0002335942800000073
上式中，xi(t)表示第i只杜鹃鸟在第t次迭代的鸟蛋位置，
Figure BDA0002335942800000074
表示点对点乘法。一般情况下α取值为α＝1。公式(1)本质上表示一种随机游走的过程,通常情况下，该过程遵从马尔可夫链,其未来空间位置主要受当前位置(公式(1)第一项)和转移概率(公式(1)第二项)的影响。Levy(λ)即列维飞行过程表示随机对当前路径进行搜索，且遵从公式(2)：
Levy(λ)＝u/|v|1/λ (4)
其中，u:N(0,σ2)和v:N(0,1)表示两个服从正态分布的变量。
列维飞行策略包括：
用随机数r∈[0,1]与发现外来鸟蛋的概率pa对比，并进行如下判断：
若r＞pa，则通过列维飞行随机改变鸟蛋位置，获得新的鸟蛋位置及其适应度值，比较并保留最优适应度值的鸟蛋位置；
若r≤pa，则将其与上一代最优鸟蛋位置的适应度值进行比较并保留当前最优适应度值的鸟蛋位置。
步骤5：解码鸟蛋并更新位置
具体地，参见上述步骤3，将步骤4中更新后鸟蛋的更新位置向量解码成相应的波长组合并评价其适应度值。
步骤6：对高岭土矿物特征波长进行加权
具体地，依据成矿原理，对高岭土矿物位于吸收波长处的特征进行提取，加入到步骤5生成的更新波长组合中；即，对初始波长组合和步骤5生成的更新波长组合进行加权。其中，加权的权重可以为1.2-1.8，例如1.5。
通过光谱特征曲线提取出高岭土矿物特征值变化较为明显的波长，将其加入到上述数据集中；通过大量地面数据观察，高岭土矿物特征波长为主要吸收峰2204-2207nm，次要吸收峰2165-2168nm。对于高岭土矿物而言，光谱特征曲线在吸收峰附近区域有一个极值，而对于非高岭土矿物在上述波长未出现明显的吸收特征。
步骤7：更新种群位置
具体地，通过比较更新前后鸟蛋位置向量对应的适应度值，对种群位置进行更新；其中，所述的种群位置更新的规则为：若鸟蛋位置向量对应的适应度值高于上一次迭代，则替换原先的鸟蛋；否则，保留上一次迭代的鸟蛋，适应度值的计算方法参见上述步骤3。
步骤8：确定下一次迭代的更新步长
具体地，计算当前全局最优解的鸟蛋位置及其适应度值，确定下一次迭代的变化步长。
每一次迭代过程中杜鹃搜索算法的步长根据当前鸟蛋及全局最优鸟蛋的位置进行更新，步长更新公式为：
stepi＝0.01·ui/|vi|1/λ·(xi-xb) (5)
其中，xb表示全局最优鸟蛋的位置，xi表示鸟蛋i的位置，ui和vi表示公式(4)中变量的数值。
步骤9：判断
具体地，判断是否满足终止条件，若否，则回转执行上述步骤4；若是，则输出全局最优鸟蛋位置对应的最佳波长组合及其适应度值；其中，终止条件为达到预设的最大运行迭代数。
经上述步骤，获得高岭土矿物信息提取模型，其输出的最佳波长组合如下(单位nm)：2031.2、2069.7、2084.9、2167.5、2204.3、2226.1、2255.0、2297.7、2367.5、2374.3、2388.0。
通过步骤1的地面矿物样本集对上述获得的高岭土矿物信息提取模型进行验证，结果见表1。
表1高岭土矿物信息提取模型的准确性验证
矿物类型 总样本数(个) 准确样本数(个) 准确率(％)
高岭土矿物 65 62 95.3846
非高岭土矿物 65 63 96.9231
上述结果表明：
本发明获得的高岭土矿物信息提取模型的训练精度能够与实际高岭土矿物的特征分布相匹配，准确率高达96％以上。
实施例二
结合图1，本实施例采用实施例1的高岭土矿物信息提取模型进行高岭土矿物高光谱遥感信息提取，步骤包括：
步骤1、获取待测区域的机载高光谱信息；
步骤2、将地面矿物信息与机载高光谱信息进行对应，利用实施例1的高岭土矿物信息提取模型对机载高光谱信息中的高岭土矿物信息进行识别并输出。
在读取机载高光谱影像后，将实施例1的地面矿物信息与机载高光谱数据同一波长下的数据进行对应，在机载数据中提取上述模型中全局最优鸟蛋位置对应的波长组合，对影像中包含的高岭土矿物点进行识别，结果见图2。
对照例
本对照例采用Relief算法进行降维，具体地，本对照例的高岭土矿物信息提取模型的建立方法，步骤如下：
步骤1：从数据集中任意选出一个样本T，针对数据集的特征分布设定特征波长提取的阈值；
步骤2：从与其同一类别的样本中选取最近的样本NH，从与T非同一类别的样本中选取最近的样本NM；
步骤3：通过比较T与NH和NM分别在每一维特征上距离的大小来决定权重；
若在某一维特征中NH比NM距离T更远，则说明在该维特征上的区分能力较差，相应降低其权重；
若在某一维特征中NH比NM距离T更近，则说明这个变量区分能力较好，相应提高其权重；
步骤4：将权重值由大到小进行排序，选择大于阈值的所有特征作为模型的输入，小于阈值的则视为区分能力较差的特征可以舍弃。
本对照例获得的模型的准确率仅为67.6923％，远远低于实施例1。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种高岭土矿物信息提取模型的建立方法，其特征在于，包括：
步骤一：获取包含高岭土光谱特征的地面矿物信息；
步骤二：基于鸟蛋位置编码构建波长组合，采用杜鹃搜索算法对所述地面矿物信息进行优化，获得用以输出最优波长组合的高岭土矿物信息提取模型；
所述步骤二包括：
步骤a：初始化种群和杜鹃搜索算法所需参数；
步骤b：获取杜鹃搜索算法中鸟蛋的初始位置,将所述初始位置向量解码成初始波长组合，获取所述初始波长组合的适应度值；
步骤c：获取鸟蛋的更新位置,将所述更新位置向量解码成更新波长组合，获取所述更新波长组合的适应度值；
步骤d：对所述初始波长组合和更新波长组合中高岭土矿物的特征波长进行加权，通过比较初始波长组合和更新波长组合的适应度值对种群位置进行更新；
步骤e：获取当前全局最优的鸟蛋位置及其适应度值，确定下一次迭代的更新步长；
步骤f：重复步骤c至步骤e，直至达到预设的最大运行迭代数，获得用以输出最优波长组合的高岭土矿物信息提取模型；
对种群位置进行更新的规则包括：若鸟蛋位置向量对应的适应度值高于上一次迭代，则替换上一次迭代的鸟蛋位置；否则，保留上一次迭代的鸟蛋位置；
将位置向量解码成波长组合的方法包括：将原始算法编码由十进制通过公式(1)转变为二进制，位置每一维度的取值为0或者1，0表示该分量对应的波长不被选择，1表示该分量对应的波长被选择；
Figure FDA0004224179150000011
其中，tan h(·)表示双正切函数，其中·表示为变量，rand表示一个服从均匀分布的随机数；
适应度值通过公式(2)获得：
Figure FDA0004224179150000021
其中，F(i)表示鸟蛋i的适应度值，Accuracy(i)表示鸟蛋i选择的波长组合所得高岭土矿物的识别精度，n(i)表示此次选择的波长个数，λ表示特征数量的权重参数；
鸟蛋更新位置的获取方法包括：通过位置更新公式(3)对鸟蛋的位置进行更新；
Figure FDA0004224179150000022
其中，xi(t)表示第i只杜鹃鸟在第t次迭代的鸟蛋位置，
Figure FDA0004224179150000023
表示点对点乘法，α＝1，Levy(λ)通过公式(4)获得：
Levy(λ)＝u/|v|1/λ (4)
其中，u:N(0,σ2)和v:N(0,1)表示两个服从正态分布的变量；
每一次迭代过程中杜鹃搜索算法的步长根据当前鸟蛋及全局最优鸟蛋的位置进行更新，步长更新公式为：
stepi＝0.01·ui/|vi|1/λ·(xi-xb) (5)
其中，xb表示全局最优鸟蛋的位置，xi表示鸟蛋i的位置，ui和vi表示公式(4)中变量的数值。
2.根据权利要求1所述的建立方法，其特征在于，所述杜鹃搜索算法所需参数包括种群大小N、最大迭代次数T、鸟蛋被发现的概率pa、速度步长控制参数α、列维飞行步长控制参数λ和鸟蛋的初始空间位置中的至少一种。
3.根据权利要求1所述的建立方法，其特征在于，高岭土矿物特征波长包括主要吸收峰2204-2207nm和次要吸收峰2165-2168nm。
4.根据权利要求1所述的建立方法，其特征在于，所述加权的权重为1.2-1.8。
5.根据权利要求1所述的建立方法，其特征在于，鸟蛋更新位置的获取方法还包括：通过列维飞行策略对鸟蛋的位置进行更新；其中，列维飞行策略包括：
用随机数r∈[0,1]与发现外来鸟蛋的概率pa对比，并进行如下判断：
若r>pa，则通过列维飞行随机改变鸟蛋位置，获得新的鸟蛋位置及其适应度值，比较并保留最优适应度值的鸟蛋位置；
若r≤pa，则将其与上一代最优鸟蛋位置的适应度值进行比较并保留当前最优适应度值的鸟蛋位置。
6.根据权利要求1所述的建立方法，其特征在于，所述步骤一包括：获取地面光谱特征曲线，通过ENVI软件提取地面光谱特征曲线在不同波长下的光谱反射率并作为特征向量，针对高岭土与非高岭土矿物构建地面矿物信息样本集。
7.一种高岭土矿物信息提取模型，其特征在于，按照权利要求1-6任一所述的建立方法获得。
8.一种高岭土矿物高光谱遥感信息提取方法，其特征在于，包括：
获取待测区域的机载高光谱信息；
将地面矿物信息与机载高光谱信息进行对应，利用权利要求7所述的高岭土矿物信息提取模型对机载高光谱信息中的高岭土矿物信息进行识别。
CN201911372433.9A 2019-12-25 2019-12-25 一种高岭土矿物信息提取模型及其建立方法和应用 Active CN111144308B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911372433.9A CN111144308B (zh) 2019-12-25 2019-12-25 一种高岭土矿物信息提取模型及其建立方法和应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911372433.9A CN111144308B (zh) 2019-12-25 2019-12-25 一种高岭土矿物信息提取模型及其建立方法和应用

Publications (2)

Publication Number Publication Date
CN111144308A CN111144308A (zh) 2020-05-12
CN111144308B true CN111144308B (zh) 2023-06-16

Family

ID=70520789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911372433.9A Active CN111144308B (zh) 2019-12-25 2019-12-25 一种高岭土矿物信息提取模型及其建立方法和应用

Country Status (1)

Country Link
CN (1) CN111144308B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111813144B (zh) * 2020-06-11 2022-02-18 南京航空航天大学 一种基于改进羊群算法的多无人机协同航路规划方法
CN114357891A (zh) * 2022-01-11 2022-04-15 中国冶金地质总局矿产资源研究院 一种土壤镉元素含量的高光谱遥感定量反演方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013075799A1 (de) * 2011-11-22 2013-05-30 Giesecke & Devrient Gmbh Verfahren zum authentisieren einer person an einer serverinstanz
DE102012112253A1 (de) * 2012-12-13 2014-07-03 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Vorrichtung, Verfahren und Computerprogramm zum Verbessern einer Leistungsfähigkeit eines ereignisbasierten verteilten Analysesystems
CN104318329A (zh) * 2014-10-20 2015-01-28 国家电网公司 一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法
CN105550693A (zh) * 2015-11-09 2016-05-04 天津商业大学 一种基于非负独立成分分析的布谷鸟搜索高光谱解混方法
CN109299713A (zh) * 2018-10-24 2019-02-01 中科院合肥技术创新工程院 高质量多光谱生物特征图像采集方法
CN109323677A (zh) * 2018-08-21 2019-02-12 上海隧道工程有限公司 改进布谷鸟搜索算法的圆度误差评定算法
CN109377447A (zh) * 2018-09-18 2019-02-22 湖北工业大学 一种基于杜鹃搜索算法的Contourlet变换图像融合方法
CN109580497A (zh) * 2018-12-13 2019-04-05 中国国土资源航空物探遥感中心 一种基于奇异性理论的高光谱矿物异常信息提取方法
CN109829420A (zh) * 2019-01-18 2019-05-31 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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104092618A (zh) * 2014-07-23 2014-10-08 湖北工业大学 一种基于杜鹃搜索算法的对等网络流量特征选择方法
CN105225003B (zh) * 2015-09-23 2018-11-30 西北工业大学 一种布谷鸟搜索算法解决uav多任务侦察决策问题的方法
CN107451562B (zh) * 2017-07-31 2020-04-24 湖北工业大学 一种基于混沌二进制引力搜索算法的波段选择方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013075799A1 (de) * 2011-11-22 2013-05-30 Giesecke & Devrient Gmbh Verfahren zum authentisieren einer person an einer serverinstanz
DE102012112253A1 (de) * 2012-12-13 2014-07-03 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Vorrichtung, Verfahren und Computerprogramm zum Verbessern einer Leistungsfähigkeit eines ereignisbasierten verteilten Analysesystems
CN104318329A (zh) * 2014-10-20 2015-01-28 国家电网公司 一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法
CN105550693A (zh) * 2015-11-09 2016-05-04 天津商业大学 一种基于非负独立成分分析的布谷鸟搜索高光谱解混方法
CN109323677A (zh) * 2018-08-21 2019-02-12 上海隧道工程有限公司 改进布谷鸟搜索算法的圆度误差评定算法
CN109377447A (zh) * 2018-09-18 2019-02-22 湖北工业大学 一种基于杜鹃搜索算法的Contourlet变换图像融合方法
CN109299713A (zh) * 2018-10-24 2019-02-01 中科院合肥技术创新工程院 高质量多光谱生物特征图像采集方法
CN109580497A (zh) * 2018-12-13 2019-04-05 中国国土资源航空物探遥感中心 一种基于奇异性理论的高光谱矿物异常信息提取方法
CN109829420A (zh) * 2019-01-18 2019-05-31 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

Also Published As

Publication number Publication date
CN111144308A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
Kumar et al. Disease detection in coffee plants using convolutional neural network
Marinelli et al. A novel change detection method for multitemporal hyperspectral images based on binary hyperspectral change vectors
CN111144308B (zh) 一种高岭土矿物信息提取模型及其建立方法和应用
CN110008948B (zh) 基于变分自编码网络的高光谱图像目标检测方法
CN116935384B (zh) 一种细胞异常样本智能化检测方法
CN111783884A (zh) 基于深度学习的无监督高光谱图像分类方法
CN115082780B (zh) 基于增量式差异学习网络的多源异质影像变化检测方法
CN114782761B (zh) 基于深度学习的智能仓储物料识别方法和系统
CN115526298A (zh) 一种高鲁棒性的大气污染物浓度综合预测方法
CN115410088A (zh) 一种基于虚拟分类器的高光谱图像领域自适应方法
CN113378971A (zh) 近红外光谱的分类模型训练方法、系统及分类方法、系统
CN113052271A (zh) 基于深度神经网络的生物发酵数据预测方法
Srivastava et al. Mapping vegetation and measuring the performance of machine learning algorithm in lulc classification in the large area using Sentinel-2 and Landsat-8 datasets of dehradun as a test case
CN115512357A (zh) 一种基于部件拆分的零样本汉字识别方法
CN113657472B (zh) 一种基于子空间学习的多源遥感数据融合方法
CN110211109B (zh) 基于深度神经网络结构寻优的图像变化检测方法
Morales et al. Hyperspectral band selection for multispectral image classification with convolutional networks
CN111325259A (zh) 一种基于深度学习和二进制编码的遥感图像分类方法
CN117351659B (zh) 一种水文地质灾害监测装置及监测方法
CN114445665A (zh) 基于Transformer增强的非局部U形网络的高光谱影像分类方法
CN113673866A (zh) 农作物决策方法、模型训练方法以及相关设备
CN112782115A (zh) 一种基于近红外光谱检验卷烟感官特征一致性的方法
CN110070513B (zh) 遥感影像的辐射校正方法及系统
CN116343048A (zh) 针对平原作物类型复杂区地块边界精准提取方法及系统
Zhang et al. Fusion classification of hyperspectral image based on adaptive subspace decomposition

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