CN112183459B - 一种基于进化多目标优化的遥感水质图像分类方法 - Google Patents
一种基于进化多目标优化的遥感水质图像分类方法 Download PDFInfo
- Publication number
- CN112183459B CN112183459B CN202011125116.XA CN202011125116A CN112183459B CN 112183459 B CN112183459 B CN 112183459B CN 202011125116 A CN202011125116 A CN 202011125116A CN 112183459 B CN112183459 B CN 112183459B
- Authority
- CN
- China
- Prior art keywords
- iteration
- water quality
- current
- remote sensing
- population
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013145 classification model Methods 0.000 claims abstract description 12
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- 229930002868 chlorophyll a Natural products 0.000 claims description 3
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 229910052757 nitrogen Inorganic materials 0.000 claims description 3
- 229910052698 phosphorus Inorganic materials 0.000 claims description 3
- 239000011574 phosphorus Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract 2
- 238000012544 monitoring process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 4
- 241000755699 Mamoea Species 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于进化多目标优化的遥感水质图像分类方法，包括：1：输入遥感水质图像训练样本数据；步骤2：对所述的遥感水质图像训练样本数据进行预处理；步骤3：训练遥感水质图像分类模型；遥感水质图像分类包括：步骤4：输入待分类的遥感水质图像样本数据；步骤5：对所述待分类遥感水质图像样本数据进行预处理；步骤6：通过遥感水质图像分类模型对所待分类遥感水质图像样本数据进行分类。本发明能快速分类出水质污染情况，并提升分类结果的准确度和精度。
Description
技术领域
本发明涉及遥感图像分类技术领域，尤其涉及一种基于进化多目标优化的遥感水质图像分类方法。
背景技术
近年来，随着人类活动的日益频繁，水质环境面临着巨大的压力，水质不容乐观。目前水质监测的方法主要是使用在监测断面上采取水样本传统的实验室化验水质参数的方法进行监测。传统的方法虽然精度高但是要消耗较大的人力和物力并且监测结果空间不连续，难以获得两个监测站点中间的水质状况。
发明内容
本发明为克服现有技术的不足之处，提出一种基于进化多目标优化的遥感水质图像分类方法，能快速分类出水质污染情况，并提升分类结果的准确度和精度。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于进化多目标优化的遥感水质图像分类方法的特点是按如下步骤进行：
步骤1：采集T个遥感水质图像样本，并提取T个遥感水质图像样本关于各个类别的属性特征，从而得到T个遥感水质图像的样本数据，其中，第t个遥感水质图像的样本数据，记为(xt,yt)，xt表示第t个遥感水质图像样本的属性特征，并有：
表示第t个遥感水质图像样本中第i个类别的属性特征，yt表示第t个遥感水质图像样本的标签，i＝1,2,…,d，t＝1,2,…,T；
步骤2：对所述第t个遥感水质图像样本的属性特征xt进行标准化处理，得到第t个遥感水质图像样本的特征向量
并与所述第t个遥感水质图像样本的标签yt构成样本空间(x′t,yt)，从而得到T个遥感水质图像样本的训练数据集，记为
其中，
表示第t个遥感水质图像样本中第i个类别的特征向量；
步骤3：将训练数据集
以一对一的方式分成若干个二类训练子集；
步骤4：通过进化多目标优化为每个二分类训练子集初始化相应种群，且每个种群包含N个个体；
步骤5：定义当前迭代次数为p，最大迭代次数为P，并初始化p＝1；
步骤6：定义当前独立迭代次数为i，最大迭代次数为I，并初始化i＝1；
步骤7：在第p次当前迭代的第i次当前独立迭代的每个种群中的N个个体在进入多目标种群独立进化过程中，计算第p次当前迭代的第i次当前独立迭代的每个个体的真正例率TPR和反正例率FPR；
步骤8：第p次当前迭代的第i次当前独立迭代的每个个体根据真正例率TPR和反正例率FPR计算第p次当前迭代的第i次当前独立迭代的拥挤距离和适应度值，从而根据第p次当前迭代的第i次当前独立迭代的拥挤距离和适应度值选取一半子代个体作为第p次当前迭代的第i+1次当前独立迭代的父代个体；
步骤9：将i+1赋值给i，将p+1赋值给p后，重复步骤7和步骤8，直到达到所述最大独立迭代次数I；
步骤10：定义当前辅助迭代次数为g，最大辅助迭代次数为G，并初始化g＝1；
步骤11：计算第p次当前迭代的第g次当前辅助迭代的每个种群个体的平均精度；
步骤12：若第p次当前迭代的第g次当前辅助迭代的种群平均精度低于所设定的阈值的种群，将其标记为第p次当前迭代的第g次当前辅助迭代的非优秀种群即第p次当前迭代的第g次当前辅助迭代的被辅助种群，并从第p次当前迭代的第g次当前辅助迭代的其他种群中选取K个种群作为第p次当前迭代的第g次当前辅助迭代的K个可能辅助种群，用于帮助第p次当前迭代的第g次当前辅助迭代的非优秀种群进行进化；
所述可能辅助种群包括平均精度高于所设定的阈值的种群即优秀种群以及与被辅助种群中相同分类类别的种群；
步骤13：利用第p次当前迭代的第g次当前辅助迭代的被辅助种群所对应的二类训练子集计算第p次当前迭代的第g次当前辅助迭代的第k个可能辅助种群中的前S个精度最高的个体的平均精度，如果所得到的平均精度高于第p次当前迭代的第g次当前辅助迭代的被辅助种群中所有个体的平均精度，则将所述第p次当前迭代的第g次当前辅助迭代的第k个可能辅助种群作为第p次当前迭代的第g次当前辅助迭代的第k个辅助种群；否则，丢弃第p次当前迭代的第g次当前辅助迭代的第k个可能辅助种群；
步骤14：通过进化多目标优化的交叉变异算子将所述第p次当前迭代的第g次当前辅助迭代的第k个辅助种群分别和所述第p次当前迭代的第g次当前辅助迭代的被辅助种群进行交互，从而得到所述第p次当前迭代的第g次当前辅助迭代的辅助后产生的第k个子代；
步骤15：将k+1赋值给k后，重复步骤13至步骤14，直到所有K个种群全部交互完成；
步骤16：将g+1赋值给g后，p+1赋值给p后，重复步骤11至步骤15，直到达到所述最大辅助迭代次数G；
步骤17：将p+1赋值给p后，重复步骤6至步骤17，直到达到所述最大迭代次数P并选取每个种群上精度最高的个体，组合得到遥感水质图像分类模型，并用于实现遥感水质图像的分类。
本发明所述的基于进化多目标优化的遥感水质图像分类方法的特点也在于，所述第t个遥感水质图像样本的属性特征值包括：叶绿素a浓度、悬浮物浓度、总磷、总氮、透明度。
若所述第t个遥感水质图像样本的标签yt＝1，表示第t个遥感水质图像样本为优秀水质，若yt＝2，表示第t个遥感水质图像为良好水质，若yt＝3，表示第t个遥感水质图像样本为污染水质。
与现有技术相比，本发明的有益效果在于：
1、本发明不同于传统的水质监测方法，提出一种基于进化多目标优化的遥感水质图像分类方法，通过从遥感水质图像提取能有效分辨水质类别的属性特征，利用进化多目标优化训练遥感水质图像分类模型，从而能够从大量的遥感水质图像数据中快速高效准确分类出水质情况，可以大规模节省人力，节省时间，多数情况下还可以节省经费，并完全可以达到与人工解译、和传统统计方法结合相同或更高的精度，提高了水环境管理效率。
2、本发明在训练遥感水质图像预测模型参数过程中，采取直接优化真正例率TPR和反正例率FPR两个目标，能够很好的度量不平衡数据处理的整体性能，从而克服了传统分类算法不能有效解决水质类别比例极度不平衡问题，使训练出的分类模型优于传统分类模型，从而提高了遥感水质图像分类性能和准确率。
3、本发明在训练遥感水质图像样本数据过程中，采用辅助进化的方式，针对难以分类的水质二分类问题(水质多分类问题分解产生的)，通过选取其他种二分类问题来辅助进化，从而提高了各个水质二分类问题的分类效果，最终提高了遥感水质图像分类性能。
附图说明
图1为本发明的流程图。
具体实施方式
本实施例中，一种基于进化多目标优化的遥感水质图像分类方法，包括遥感水质图像分类模型训练步骤和遥感水质图像检测步骤，具体的说，如图1所示，是按如下步骤进行：
步骤一：遥感水质图像分类模型训练：
步骤1.1：采集T个遥感水质图像样本，并提取T个遥感水质图像样本关于各个类别的属性特征，属性特征值包括：叶绿素a浓度、悬浮物浓度、总磷、总氮、透明度，从而得到T个遥感水质图像的样本数据，其中，第t个遥感水质图像的样本数据，记为(xt,yt)，xt表示第t个遥感水质图像样本的属性特征，并有：
表示第t个遥感水质图像样本中第i个类别的属性特征，yt表示第t个遥感水质图像样本的标签，若yt＝1，表示第t个遥感水质图像样本为优秀水质，若yt＝2，表示第t个遥感水质图像为良好水质，若yt＝3，表示第t个遥感水质图像样本为污染水质，将遥感水质图像检测问题建模为优秀水质，良好水质以及污染水质的多分类问题，i＝1,2,…,d，t＝1,2,…,T；
步骤1.2：对所述第t个遥感水质图像样本的属性特征xt进行标准化处理，将属性特征转换为分类器处理的数据格式，并对数据做适当的归一化，减小模型训练的计算复杂度，得到第t个遥感水质图像样本的特征向量
并与所述第t个遥感水质图像样本的标签yt构成样本空间(x′t,yt)，从而得到T个遥感水质图像样本的训练数据集，记为
其中，μ′i t表示第t个遥感水质图像样本中第i个类别的特征向量；
步骤1.3：将训练数据集
以一对一的方式分成若干个二类训练子集；
步骤1.4：通过进化多目标优化为每个二分类训练子集初始化相应种群，且每个种群包含N个个体；
步骤1.5：定义当前迭代次数为p，最大迭代次数为P，并初始化p＝1；
步骤1.6：定义当前独立迭代次数为i，最大迭代次数为I，并初始化i＝1；
步骤1.7：在第p次当前迭代的第i次当前独立迭代的每个种群中的N个个体在进入多目标种群独立进化过程中，计算第p次当前迭代的第i次当前独立迭代的每个个体的真正例率TPR和反正例率FPR，两个目标函数以TPR和FPR为直接优化目标，以解决大量遥感图像中分类类别不平衡问题；
步骤1.8：第p次当前迭代的第i次当前独立迭代的每个个体根据真正例率TPR和反正例率FPR计算第p次当前迭代的第i次当前独立迭代的拥挤距离和适应度值，从而根据第p次当前迭代的第i次当前独立迭代的拥挤距离和适应度值选取一半子代个体作为第p次当前迭代的第i+1次当前独立迭代的父代个体；
步骤1.9：将i+1赋值给i，将p+1赋值给p后，重复步骤1.7和步骤1.8，直到达到所述最大独立迭代次数I；
步骤1.10：定义当前辅助迭代次数为g，最大辅助迭代次数为G；并初始化g＝1；
步骤1.11：计算第p次当前迭代的第g次当前辅助迭代的每个种群个体的平均精度；
步骤1.12：若第p次当前迭代的第g次当前辅助迭代的种群平均精度低于所设定的阈值的种群，将其标记为第p次当前迭代的第g次当前辅助迭代的非优秀种群即第p次当前迭代的第g次当前辅助迭代的被辅助种群，并从第p次当前迭代的第g次当前辅助迭代的其他种群中选取K个种群作为第p次当前迭代的第g次当前辅助迭代的K个可能辅助种群，用于帮助第p次当前迭代的第g次当前辅助迭代的非优秀种群进行进化；
所述可能辅助种群包括平均精度高于所设定的阈值的种群即优秀种群以及与被辅助种群中相同分类类别的种群；
步骤1.13：利用第p次当前迭代的第g次当前辅助迭代的被辅助种群所对应的二类训练子集计算第p次当前迭代的第g次当前辅助迭代的第k个可能辅助种群中的前S个精度最高的个体的平均精度，如果所得到的平均精度高于第p次当前迭代的第g次当前辅助迭代的被辅助种群中所有个体的平均精度，则将所述第p次当前迭代的第g次当前辅助迭代的第k个可能辅助种群作为第p次当前迭代的第g次当前辅助迭代的第k个辅助种群；否则，丢弃第p次当前迭代的第g次当前辅助迭代的第k个可能辅助种群；
步骤1.14：通过进化多目标优化的交叉变异算子将所述第p次当前迭代的第g次当前辅助迭代的第k个辅助种群分别和所述第p次当前迭代的第g次当前辅助迭代的被辅助种群进行交互，从而得到所述第p次当前迭代的第g次当前辅助迭代的辅助后产生的第k个子代；
步骤1.15：将k+1赋值给k后，重复步骤1.13至步骤1.14，直到所有K个种群全部交互完成；
步骤1.16：将g+1赋值给g后，p+1赋值给p后，重复步骤1.11至步骤1.15，直到达到所述最大辅助迭代次数G，该辅助进化过程能帮助那些难以产生优秀解的种群，提高他们解的质量；
步骤1.17：将p+1赋值给p后，重复步骤1.6至步骤1.17，直到达到所述最大迭代次数P并选取每个种群上精度最高的个体，组合得到遥感水质图像分类模型，并用于实现遥感水质图像的分类；
步骤二：遥感水质图像检测，利用步骤一得到的遥感水质图像分类模型以及相应的待测遥感水质图像属性特征进行遥感水质图像分类：
步骤2.1：输入待检测的遥感水质图像数据作为待测样本并提取关于遥感水质图像属性特征，记为x＝(μ1,μ2,…,μi,…,μd)，其中，μi表示待测样本中第i个关于遥感水质图像的属性特征；
步骤2.2：对待测样本的属性特征x进行标准化处理，得到待测样本的特征向量x′＝(μ′1,μ′2,…,μ′i,…,μ′d)；
步骤2.3：将待测样本的特征向量输入到步骤步骤1.17得到的遥感水质图像分类模型中，得到分类结果，若输出结果等于1，则待测遥感水质图像样本的水质情况为优秀，若输出结果等于2，则待测遥感水质图像样本的水质情况为良好，若输出结果等于3，则待测遥感水质图像样本的水质情况为污染；
通过仿真数据集的例子来说明本发明的具体实施方法和验证本发明方法的效果。
1)、准备标准数据集
本发明使用Ecoli数据集作为标准数据集验证遥感水质图像分类模型有效性，Ecoli数据集集是广泛应用于不平衡分类的多分类基准数据集。在Ecoli数据集中，包含327条数据即对应采集到的327个遥感水质图像，使用全部样本来验证本发明对于遥感水质图像分类的性能。对于这327个训练样本，将其划分为训练样本和测试样本数据。
2)、评价指标
采用分类精度作为本实例的评价指标，用来评测在不同的遥感水质图像上本发明分类的性能。精度值越高，表示分类效果越好。
3)、在标准数据集上进行实验
为了验证本发明所提方法的有效性，将本发明的分类算法(MAMOEA)与此前经典的RUS算法和ELM算法在Ecoli数据集上进行建模和预测，并将三者的预测结果进行比较。实验结果如表1所示。
表1对比实验结果
从表1可以看出在多类数据集Ecoli中，本发明的MAMOEA分类算法相较于其他两者，获得的更好的分类精度，继而体现出本发明的有效性。在人类活动的日益频繁，水质环境面临着巨大的压力的今天，水质监测日益重要，准确高效的检测出水质情况是监测管理部门的重要研究问题。基于此，本发明能快速有效从大量的遥感水质图像数据分类出水质情况，提高了水环境管理效率。
Claims (3)
1.一种基于进化多目标优化的遥感水质图像分类方法，其特征是按如下步骤进行：
步骤1：采集T个遥感水质图像样本，并提取T个遥感水质图像样本关于各个类别的属性特征，从而得到T个遥感水质图像的样本数据，其中，第t个遥感水质图像的样本数据，记为(xt,yt)，xt表示第t个遥感水质图像样本的属性特征，并有：
表示第t个遥感水质图像样本中第e个类别的属性特征，yt表示第t个遥感水质图像样本的标签，e＝1,2,…,d，t＝1,2,…,T；
步骤2：对所述第t个遥感水质图像样本的属性特征xt进行标准化处理，得到第t个遥感水质图像样本的特征向量
并与所述第t个遥感水质图像样本的标签yt构成样本空间(x′t,yt)，从而得到T个遥感水质图像样本的训练数据集，记为
其中，
表示第t个遥感水质图像样本中第e个类别的特征向量；
步骤3：将训练数据集
以一对一的方式分成若干个二类训练子集；
步骤4：通过进化多目标优化为每个二分类训练子集初始化相应种群，且每个种群包含N个个体；
步骤5：定义当前迭代次数为p，最大迭代次数为P，并初始化p＝1；
步骤6：定义当前独立迭代次数为i，最大独立迭代次数为I，并初始化i＝1；
步骤7：在第p次当前迭代的第i次当前独立迭代的每个种群中的N个个体在进入多目标种群独立进化过程中，计算第p次当前迭代的第i次当前独立迭代的每个个体的真正例率TPR和反正例率FPR；
步骤8：第p次当前迭代的第i次当前独立迭代的每个个体根据真正例率TPR和反正例率FPR计算第p次当前迭代的第i次当前独立迭代的拥挤距离和适应度值，从而根据第p次当前迭代的第i次当前独立迭代的拥挤距离和适应度值选取一半子代个体作为第p次当前迭代的第i+1次当前独立迭代的父代个体；
步骤9：将i+1赋值给i，将p+1赋值给p后，重复步骤7和步骤8，直到达到所述最大独立迭代次数I；
步骤10：定义当前辅助迭代次数为g，最大辅助迭代次数为G，并初始化g＝1；
步骤11：计算第p次当前迭代的第g次当前辅助迭代的每个种群个体的平均精度；
步骤12：若第p次当前迭代的第g次当前辅助迭代的种群平均精度低于所设定的阈值的种群，将其标记为第p次当前迭代的第g次当前辅助迭代的非优秀种群即第p次当前迭代的第g次当前辅助迭代的被辅助种群，并从第p次当前迭代的第g次当前辅助迭代的其他种群中选取K个种群作为第p次当前迭代的第g次当前辅助迭代的K个可能辅助种群，用于帮助第p次当前迭代的第g次当前辅助迭代的非优秀种群进行进化；
所述可能辅助种群包括平均精度高于所设定的阈值的种群即优秀种群以及与被辅助种群中相同分类类别的种群；
步骤13：利用第p次当前迭代的第g次当前辅助迭代的被辅助种群所对应的二类训练子集计算第p次当前迭代的第g次当前辅助迭代的第k个可能辅助种群中的前S个精度最高的个体的平均精度，如果所得到的平均精度高于第p次当前迭代的第g次当前辅助迭代的被辅助种群中所有个体的平均精度，则将所述第p次当前迭代的第g次当前辅助迭代的第k个可能辅助种群作为第p次当前迭代的第g次当前辅助迭代的第k个辅助种群；否则，丢弃第p次当前迭代的第g次当前辅助迭代的第k个可能辅助种群；
步骤14：通过进化多目标优化的交叉变异算子将所述第p次当前迭代的第g次当前辅助迭代的第k个辅助种群分别和所述第p次当前迭代的第g次当前辅助迭代的被辅助种群进行交互，从而得到所述第p次当前迭代的第g次当前辅助迭代的辅助后产生的第k个子代；
步骤15：将k+1赋值给k后，重复步骤13至步骤14，直到所有K个种群全部交互完成；
步骤16：将g+1赋值给g后，p+1赋值给p后，重复步骤11至步骤15，直到达到所述最大辅助迭代次数G；
步骤17：将p+1赋值给p后，重复步骤6至步骤17，直到达到所述最大迭代次数P并选取每个种群上精度最高的个体，组合得到遥感水质图像分类模型，并用于实现遥感水质图像的分类。
2.根据权利要求1所述的基于进化多目标优化的遥感水质图像分类方法，其特征是，所述第t个遥感水质图像样本的属性特征值包括：叶绿素a浓度、悬浮物浓度、总磷、总氮、透明度。
3.根据权利要求1所述的一种基于进化多目标优化的遥感水质图像分类方法，其特征是，若所述第t个遥感水质图像样本的标签yt＝1，表示第t个遥感水质图像样本为优秀水质，若yt＝2，表示第t个遥感水质图像为良好水质，若yt＝3，表示第t个遥感水质图像样本为污染水质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011125116.XA CN112183459B (zh) | 2020-10-20 | 2020-10-20 | 一种基于进化多目标优化的遥感水质图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011125116.XA CN112183459B (zh) | 2020-10-20 | 2020-10-20 | 一种基于进化多目标优化的遥感水质图像分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112183459A CN112183459A (zh) | 2021-01-05 |
| CN112183459B true CN112183459B (zh) | 2022-10-04 |
Family
ID=73923078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011125116.XA Active CN112183459B (zh) | 2020-10-20 | 2020-10-20 | 一种基于进化多目标优化的遥感水质图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112183459B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801163B (zh) * | 2021-01-22 | 2022-10-04 | 安徽大学 | 基于动态图结构的小鼠模型海马生物标记物的多目标特征选择方法 |
| CN112949699B (zh) * | 2021-02-09 | 2024-05-14 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种遥感图像分类模型建立与验证方法、系统及电子设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103514457A (zh) * | 2013-07-29 | 2014-01-15 | 北京师范大学 | 生态约束条件下土地利用结构优化的多目标改进差分进化模型 |
| CN103839261A (zh) * | 2014-02-18 | 2014-06-04 | 西安电子科技大学 | 一种基于分解进化多目标优化和fcm的sar图像分割方法 |
| CN104021560A (zh) * | 2014-06-17 | 2014-09-03 | 西安电子科技大学 | 基于多目标进化算法的图像分割方法 |
| CN104537667A (zh) * | 2014-12-27 | 2015-04-22 | 西安电子科技大学 | 基于方向多目标遗传聚类算法的图像分割方法 |
| CN106941663A (zh) * | 2017-05-16 | 2017-07-11 | 重庆邮电大学 | 一种融合凸优化与多目标粒子群的uwb定位方法 |
| CN107274387A (zh) * | 2017-05-19 | 2017-10-20 | 西安电子科技大学 | 基于进化多目标优化的高光谱遥感影像的端元提取方法 |
| GB201717125D0 (en) * | 2016-11-28 | 2017-11-29 | National Univ Of Defense Technology | Differential evolution method oriented to agile satellite multi-target task planning |
| CN108681570A (zh) * | 2018-05-04 | 2018-10-19 | 安徽大学 | 一种基于多目标进化算法的个性化网页推荐方法 |
| CN109784286A (zh) * | 2019-01-22 | 2019-05-21 | 湖北省国土资源研究院 | 基于多目标模因优化算法的遥感影像空谱非监督分类方法 |
| CN109919202A (zh) * | 2019-02-18 | 2019-06-21 | 新华三技术有限公司合肥分公司 | 分类模型训练方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020210974A1 (zh) * | 2019-04-16 | 2020-10-22 | 江南大学 | 基于改进多目标演化算法的高质量模式挖掘模型及方法 |
-
2020
- 2020-10-20 CN CN202011125116.XA patent/CN112183459B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103514457A (zh) * | 2013-07-29 | 2014-01-15 | 北京师范大学 | 生态约束条件下土地利用结构优化的多目标改进差分进化模型 |
| CN103839261A (zh) * | 2014-02-18 | 2014-06-04 | 西安电子科技大学 | 一种基于分解进化多目标优化和fcm的sar图像分割方法 |
| CN104021560A (zh) * | 2014-06-17 | 2014-09-03 | 西安电子科技大学 | 基于多目标进化算法的图像分割方法 |
| CN104537667A (zh) * | 2014-12-27 | 2015-04-22 | 西安电子科技大学 | 基于方向多目标遗传聚类算法的图像分割方法 |
| GB201717125D0 (en) * | 2016-11-28 | 2017-11-29 | National Univ Of Defense Technology | Differential evolution method oriented to agile satellite multi-target task planning |
| CN106941663A (zh) * | 2017-05-16 | 2017-07-11 | 重庆邮电大学 | 一种融合凸优化与多目标粒子群的uwb定位方法 |
| CN107274387A (zh) * | 2017-05-19 | 2017-10-20 | 西安电子科技大学 | 基于进化多目标优化的高光谱遥感影像的端元提取方法 |
| CN108681570A (zh) * | 2018-05-04 | 2018-10-19 | 安徽大学 | 一种基于多目标进化算法的个性化网页推荐方法 |
| CN109784286A (zh) * | 2019-01-22 | 2019-05-21 | 湖北省国土资源研究院 | 基于多目标模因优化算法的遥感影像空谱非监督分类方法 |
| CN109919202A (zh) * | 2019-02-18 | 2019-06-21 | 新华三技术有限公司合肥分公司 | 分类模型训练方法及装置 |
Non-Patent Citations (6)
| Title |
|---|
| Community-Grouping Based Particle Swarm Optimisation Algorithm for Feature Selection;Fan Cheng et al;《2020 IEEE congress on evolutionary computation》;20200903;1-8 * |
| Evolutionary Multitasking: A Computer Science View of Cognitive Multitasking;Yew-Soon Ong et al;《Cognitive Computation》;20160312;125-142 * |
| Feature Selection Method Based on High-Resolution Remote Sensing Images and the Effect of Sensitive Features on Classification Accuracy;Yi Zhou et al;《sensors》;20180622;1-16 * |
| Multi-objective evolutionary algorithm for optimizing the partial area under the ROC curve;Fan Cheng et al;《Knowledge-Based System》;20190415;第170卷;61-69 * |
| 一种融合聚类和分类算法的树木图像多目标优化分割方法;王晓松 等;《北京林业大学学报》;20181231;第40卷(第12期);124-131 * |
| 基于进化优化学习的高光谱特征选择与提取;张明阳;《中国博士学位论文全文数据库信息科技辑》;20181215;第2018年卷(第12期);I140-103 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112183459A (zh) | 2021-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110018524B (zh) | 一种基于视觉-属性的x射线安检违禁品识别方法 | |
| CN108388927A (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
| CN107633255A (zh) | 一种深度学习模式下的岩石岩性自动识别分类方法 | |
| CN106248559A (zh) | 一种基于深度学习的白细胞五分类方法 | |
| CN104239902B (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
| CN112183459B (zh) | 一种基于进化多目标优化的遥感水质图像分类方法 | |
| CN104866871B (zh) | 基于投影结构稀疏编码的高光谱图像分类方法 | |
| CN104820841B (zh) | 基于低阶互信息和光谱上下文波段选择的高光谱分类方法 | |
| CN109949284A (zh) | 基于深度学习卷积神经网络的水藻细胞分析方法及系统 | |
| CN113516228B (zh) | 一种基于深度神经网络的网络异常检测方法 | |
| CN111860459A (zh) | 一种基于显微图像的禾本科植物叶片气孔指数测量方法 | |
| CN111343147A (zh) | 一种基于深度学习的网络攻击检测装置及方法 | |
| CN107632018A (zh) | 一种食品微生物快速检测系统及方法 | |
| CN108762503A (zh) | 一种基于多模态数据采集的人机交互系统 | |
| CN113077444A (zh) | 一种基于cnn的超声无损检测图像缺陷分类方法 | |
| CN110365603A (zh) | 一种基于5g网络能力开放的自适应网络流量分类方法 | |
| CN109523514A (zh) | 对逆合成孔径雷达isar的批量成像质量评估方法 | |
| US20150242676A1 (en) | Method for the Supervised Classification of Cells Included in Microscopy Images | |
| CN115165366A (zh) | 一种旋转机械变工况故障诊断方法及系统 | |
| CN103942415A (zh) | 一种流式细胞仪数据自动分析方法 | |
| Ye et al. | Bayesian model for semi-automated zooplankton classification with predictive confidence and rapid category aggregation | |
| CN114239384A (zh) | 一种基于非线性度量原型网络的滚动轴承故障诊断方法 | |
| CN117541095A (zh) | 一种农用地土壤环境质量类别划分的方法 | |
| CN112906672A (zh) | 钢轨缺陷识别方法及系统 | |
| CN102332087A (zh) | 一种基于稀疏表示的人脸识别方法 |
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 |