CN112613391A - 一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法 - Google Patents

一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法 Download PDF

Info

Publication number
CN112613391A
CN112613391A CN202011507865.9A CN202011507865A CN112613391A CN 112613391 A CN112613391 A CN 112613391A CN 202011507865 A CN202011507865 A CN 202011507865A CN 112613391 A CN112613391 A CN 112613391A
Authority
CN
China
Prior art keywords
binary
individuals
population
rice
individual
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.)
Granted
Application number
CN202011507865.9A
Other languages
English (en)
Other versions
CN112613391B (zh
Inventor
叶志伟
刘诗芹
舒哲
陈璇
闫春艳
李瑞成
刘畅
杨光泽
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 CN202011507865.9A priority Critical patent/CN112613391B/zh
Publication of CN112613391A publication Critical patent/CN112613391A/zh
Application granted granted Critical
Publication of CN112613391B publication Critical patent/CN112613391B/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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

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)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明提供了一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法，首先在初始化时用二进制编码表示水稻个体的基因，并将二进制运算规则中的加法和减法算子运用到更新公式中，以得到二进制形式的解；其次引入反向种群策略对二进制水稻育种算法进行优化，扩大种群的搜索范围，避免算法陷入局部最优，并提升算法的全局搜索性能；最后利用基于反向学习的二进制水稻育种算法对高光谱图像进行波段选择，从而快速地获得全局最优波段子集。本发明能够提高波段选择的性能，在保证图像分类精度的同时选取最具代表性的波段特征，具有一定的普适性，可广泛适用于图像处理和模式识别等相关领域。

Description

一种基于反向学习二进制水稻育种算法的高光谱图像波段选 择方法
技术领域
本发明属于高光谱遥感图像处理领域，涉及智能优化算法在图像处理方面的应用，尤其涉及在高光谱图像波段选择问题上的解决方法，具体地说是一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法。
背景技术
二十世纪六十年代，遥感技术发展起来用于对地物目标进行观测，通过光谱仪感知遥远的目标从而获得数据，并对数据进行分析处理得到所需信息。高光谱遥感是一种利用多而窄的电磁波波段来获取目标信息的技术，已经被广泛应用在植被检测分类，土壤调查，城市遥感监测，城市规划，海洋水域监测等领域。
高光谱遥感图像中包含了丰富的数据信息，既能反映目标中的光谱信息又能反映目标中二维空间的图像信息，具有较高的光谱分辨率，可以对地物目标进行分类和辨识，在目标分类、识别等方面具有重大研究意义。高光谱遥感图像的特点是波段数量多且数据量大，在对其进行处理时如果将原始图像的所有波段信息都作为特征向量，存储和计算的成本较高，且原始信息中包含许多冗余信息，不利于后续的处理。因此，需要对高光谱图像进行波段选择以降低后续图像分类的计算量，避免出现因特征过多而带来的“维数灾难”问题。
高光谱图像波段选择就是从原始光谱波段中筛选出对分类识别最有效的波段构成波段子集，排除大量无用波段，从而实现维度的压缩，降低图像处理的难度。高光谱图像波段选择按照一定的评价准则函数来搜索全局最优波段子集，主要包括两个技术：一是选择合适的评价准则函数评估波段子集的质量，即判断选择的波段子集是否为最优子集；另一方面是选择合适的搜索算法，从而快速高效地搜索到最优解。搜索特征子集的算法大致可以分为三类，第一类是完全搜索，比较常采用的两个方法有穷举法和分支界定法，这类算法虽然一定能够找到全局最优的特征子集，但是当原始特征的数目较大时，需要搜索的空间会很大，算法的执行效率不高；第二类是启发式搜索，包括序列前向选择(SFS)、序列后向选择(SBS)、双向搜索(BDS)、增L去R选择算法(LRS)、序列浮动选择和决策树(DTM)等方法，这类方法复杂度低，但是在寻优的过程中，一旦某个波段特征被选择或者删除就不能被撤回，可能会导致陷入局部最优解；第三类是随机搜索，包括模拟退火算法(SA)、禁忌搜索算法和遗传算法(GA)等，这类方法的效果一般优于启发式搜索。高光谱图像波段选择是一个时间复杂度为O(2N)的N-P难问题，在波段特征维度很高时，只能获得近似最优解。因此，可以将波段选择问题视为一个组合优化问题并采用随机搜索策略进行求解。即初始化时随机产生波段子集，波段子集的质量通过一定评价标准(适应度值函数)加以度量，通过不断迭代更新波段子集使其向最优解靠拢，直到达到最大迭代次数或寻找到全局最优子集就输出。解的形式为二进制编码，编码的长度等于高光谱图像波段集合的维度，其中每一位用0或1表示该波段是否被选择进入波段子集。
现有的随机搜索策略有遗传算法和粒子群算法等，虽然这些算法都在高光谱图像波段选择问题上取得了一定的进展，但仍存在许多不足，例如遗传算法收敛速度慢，不能快速得到最优解。而粒子群算法存在得到解的精度不高，容易陷入局部最优等问题，因此还需要进一步探究高效的高光谱图像波段选择的搜索策略。
发明内容
本发明的目的在于：为了克服现有高光谱图像波段选择技术的不足，降低波段的维度，缩短训练时间，简化模型和提高分类器的精度，本发明提出了一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法，在保证分类精度的同时快速得到全局最优的波段子集。
为了达到上述目的，本发明采用的技术方案是：
一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法，其特征在于，包括如下步骤：
步骤1.读取高光谱图像，提取图像中的波段信息，并构成原始波段特征数据集，将数据集分成训练集和测试集两部分，其中训练集用于波段选择，测试集用来对筛选出的波段子集的分类效果进行测试；
步骤2.初始化随机生成二进制水稻育种算法种群并设置二进制水稻育种算法所需的参数，包括种群大小N，N为3的倍数，最大迭代次数itermax，最大自交次数tmax；
步骤3.设定反向学习概率pm，生成一个随机数rand，若rand<pm，则应用反向学习策略生成原始种群对应的二进制反向种群，否则直接跳转执行步骤5；
步骤4.同时计算出原始种群和反向种群中个体的适应度值，并选择其中适应度值高的个体构成新的初始种群。其中，构成新的初始种群的方法为：二进制水稻育种算法原始种群有N个水稻种子个体，生成的反向种群中的个体数同样为N，将原始种群和反向种群分别按照适应度值从大到小排序，将原始种群中排列在前n1的个体和反向种群中排列在前n2的个体选择组成最终的初始种群。
其中N＝n1+n2；
步骤5.将二进制水稻育种算法中的初始种群映射为相应的波段子集，水稻育种算法中的二进制基因序列与波段之间的映射方式为：二进制水稻育种算法中每一维基因都有两个候选值，即0或者1，“0”表示该基因对应的波段未被选择，“1”表示该基因对应的波段被选择，每个水稻种子基因序列的编码长度等于高光谱图像中包含的波段数目；
步骤6.根据适应度函数计算种群中个体的适应值，按照个体的适应度值从大到小排序，将水稻种群划分为三系：保持系，恢复系，不育系，适应度值最优的1/3个体被选择为保持系，适应度值最差的1/3个体被选择为不育系，剩下1/3的个体被选择为恢复系；
步骤7.分别随机从不育系和保持系中选择个体作为父本和母本进行杂交操作，即将父本和母本的基因通过重新组合产生新的基因序列，分别计算新个体和参与杂交的不育系个体的适应度值，从中选择适应度值好的个体的基因保留至下一代；
步骤8.随机选择恢复系中的个体进行自交操作，用计算机二进制运算规则中的加法和减法算子代替原来自交操作中的加法和减法算子，计算出新个体的适应度值并跟自交前的个体的适应度值进行比较，若新个体的适应度值优于自交前个体的适应度值，则用产生的新个体替换原始个体，此时将该个体的自交次数记为0；否则不替换，该个体的自交次数加1；
步骤9.当达到最大自交次数时，恢复系个体进行重置操作，即在搜索空间中随机选择一组基因序列替换原始个体中的基因，并将自交次数归0，重置操作中的加法同样采用计算机二进制运算规则表示；
步骤10.记录全局最优的水稻个体的基因序列及其对应的适应度值，该基因序列可映射为全局最优的波段子集，即二进制水稻育种算法中每一维基因都有两个候选值，即0或者1，“0”表示该基因对应的波段未被选择，“1”表示该基因对应的波段被选择；
步骤11.判断是否满足终止条件，其中，终止条件设为达到最大迭代次数，若否，则返回执行所述步骤6；若是，则输出全局最优的水稻个体的基因序列对应的波段子集及其适应度值；
作为进一步优选的，所述步骤3中反向学习策略的定义为，设种群中有N个水稻个体，即X＝{x1,x2,…,xN}，X∈[a,b](a,b为搜索空间的上界和下界)，每个水稻个体xi∈X满足xi∈[ai,bi](i＝1,2,…,N)，则其反向个体定义为：
Figure BDA0002845429520000041
对于由d维二进制编码构成的个体
Figure BDA0002845429520000042
其对应的反向个体
Figure BDA0002845429520000043
由于个体中的基因
Figure BDA0002845429520000044
具有非0即1的特性，因此其二进制反向种群中个体的每一维基因可以定义为：
Figure BDA0002845429520000045
作为进一步优选的，所述步骤4中构成新的初始种群的方法为：二进制水稻育种算法原始种群有N个水稻种子个体，生成的反向种群中的个体数同样为N。将原始种群和反向种群分别按照适应度值从大到小排序，将原始种群中排列在前n1的个体和反向种群中排列在前n2的个体选择组成最终的初始种群。其中N＝n1+n2。
作为进一步优选的，所述步骤6中用适应度值评估所选波段子集的质量，其适应度函数计算公式为：
Figure BDA0002845429520000046
其中R表示本次选择波段的个数，C表示波段总数，α和β为两个权重系数，α的范围介于0和1之间，β＝1-α，Accuracy表示选择的波段子集参与分类得到的分类正确率，采用K-NN作为分类器进行分类，对于二分类问题，分类精度计算公式表示为：
Figure BDA0002845429520000051
其中，Tp(真正例)：真实类别为正例，分类也为正例；Tn(真负例)：真实类别为负例，分类为负例；Fp(假正例)：真实类别为负例，分类为正例；Fn(假反例)：真实类别为正例，分类也为负例。
计算种群适应度值后进行降序排序，将种群分成保持系，恢复系和不育系，生成三系的公式为：
M＝{x1,x2,…,xm},m＝N/3 (5)
R＝{xm+1,xm+2,…,x2m},m＝N/3 (6)
S＝{x2m+1,x2m+2,…,xn},m＝N/3 (7)
其中N为种群大小，m为每个子种群大小，M表示保持系个体的集合，R表示保持系个体的集合，S表示不育系个体的集合。
作为进一步优选的，所述步骤7中通过杂交产生新个体的基因的公式为：
Figure BDA0002845429520000052
Figure BDA0002845429520000053
其中
Figure BDA0002845429520000054
表示第i个水稻种子的基因序列中的第j个基因，
Figure BDA0002845429520000055
和
Figure BDA0002845429520000056
分别表示不育系和保持系中的第k个水稻种子的基因序列中的第j个基因，r1，r2为[-1,1]之间的随机数，且r1+r2≠0。
作为进一步优选的，所述步骤8中恢复系水稻种子自交产生新个体的更新公式为：
subresult＝XbestsubXr(k) (10)
Xnew(i)＝(r3*subresult)add Xr(i) (11)
其中Xr(i)和Xr(k)分别表示恢复系中第i个和第k个水稻种子个体，Xbest表示当前最优个体，subresult表示Xbest与Xr(k)通过二进制减法规则运算得到的结果，r3是[0,1]之间产生的随机数，add和sub分别代表二进制运算规则中的加法和减法算子，二进制的加法运算依据“逢二进一”规则，具体为：0+0＝0，0+1＝1，1+0＝1，1+1＝0(进位为1)，二进制的减法运算依据“借一当二”的规则，具体为：0－0＝0，0－1＝1(借位为1)，1－1＝0，1－0＝1。
作为进一步优选的，所述步骤9中恢复系进行重置操作时的更新公式为：
Xnew(i)＝Xr(i)add(r4*(Rmax-Rmin))+Rmin (12)
其中Rmax和Rmin分别表示二进制搜索空间的上界和下界，r4是[0,1]范围内生成的一个随机数，Xr(i)表示恢复系中第i个水稻种子个体，add表示二进制运算规则中的加法算子，二进制的加法运算依据“逢二进一”规则，具体为：0+0＝0，0+1＝1，1+0＝1，1+1＝0(进位为1)。
本发明与现有技术相比具有以下优点：
1、本发明通过引入反向学习构造反向种群，并结合适应度值函数对原始种群和反向种群中的个体进行优胜劣汰，从而优化了水稻种群中的个体组成，得到一组较优的初始种群，弥补了因种群初始化时采用纯随机策略而导致的算法运行结果差异化大，稳定性较低的缺陷。
3、本发明在水稻育种算法初始化时采用二进制编码表示水稻个体的基因，采用计算机二进制运算规则重新定义更新操作中的加法和减法算子，直接在二进制空间进行运算，无需通过转换函数进行进制的转换就能得到二进制形式的解，使其更适应于求解波段选择问题。
2、本发明利用基于反向学习的二进制水稻育种算法对原始高光谱图像波段数据集进行波段选择，排除冗余的波段，筛选出最有效的波段子集，在提高图像分类正确率和分类效率的同时选择较少的波段特征。
附图说明
图1是波段选择基本流程图。
图2是本发明实施例方法的流程图。
图3是计算机二进制运算规则实例图。
具体实施方式
为了更好地理解本发明，下面结合实施例进一步阐明本发明的内容，但本发明的内容不仅仅局限于下面的实施例。本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样在本申请所列权利要求书限定范围之内。
请见图1，图2是本发明所采用的技术方案是：一种基于反向学习二进制水稻育种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.读取高光谱图像，提取图像中的波段信息，并构成原始波段特征数据集，将数据集分成训练集和测试集两部分，其中训练集用于波段选择，测试集用来对筛选出的波段子集的分类效果进行测试；
步骤2.初始化随机生成二进制水稻育种算法种群并设置二进制水稻育种算法所需的参数，包括种群大小N(N一般为3的倍数)，最大迭代次数itermax，最大自交次数tmax；
步骤3.设定反向学习概率pm，生成一个范围在(0,1)之间的随机数rand，若rand<pm，则根据反向学习策略生成原始种群对应的二进制反向种群。
其中，反向学习策略的定义为，设种群中有N个水稻个体，即X＝{x1,x2,…,xN}，X∈[a,b](a,b为搜索空间的上界和下界)，每个水稻个体xi∈X满足xi∈[ai,bi](i＝1,2,…,N)，则其反向个体定义为：
Figure BDA0002845429520000071
对于由d维二进制编码构成的个体
Figure BDA0002845429520000072
其对应的反向个体
Figure BDA0002845429520000073
由于个体中的基因
Figure BDA0002845429520000074
具有非0即1的特性，因此其二进制反向种群中个体的每一维基因可以定义为：
Figure BDA0002845429520000075
若rand<pm不成立，则直接跳转执行步骤5；
步骤4.分别计算原始种群和反向种群中个体的适应度值，并选择其中适应度值高的个体构成新的初始种群；其中，构成新的初始种群的方法为：二进制水稻育种算法原始种群有N个水稻种子个体，生成的反向种群中的个体数同样为N。将原始种群和反向种群分别按照适应度值从大到小排序，将原始种群中排列在前n1的个体和反向种群中排列在前n2的个体选择组成最终的初始种群。其中N＝n1+n2。
步骤5.将二进制水稻育种算法中的初始种群映射为相应的波段子集，每个水稻种子基因序列的编码长度等于高光谱图像中包含的波段数目；
其中，水稻育种算法中的二进制基因序列与波段之间的映射方式为：二进制水稻育种算法中每一维基因都有两个候选值，即0或者1，“0”表示该基因对应的波段未被选择，“1”表示该基因对应的波段被选择。
步骤6.根据适应度函数计算种群中个体的适应值，按照个体的适应度值从大到小排序，将水稻种群划分为三系：保持系，恢复系，不育系，适应度值最优的1/3个体被选择为保持系，适应度值最差的1/3个体被选择为不育系，剩下1/3的个体被选择为恢复系；
适应度值用于评估所选波段子集的质量，其适应度函数计算公式为：
Figure BDA0002845429520000081
其中，R表示本次选择波段的个数，C表示波段总数，α和β为两个权重系数，α的范围介于0和1之间，β＝1-α，Accuracy表示选择的波段子集参与分类得到的分类正确率，采用K-NN作为分类器进行分类，对于二分类问题，分类精度计算公式表示为：
Figure BDA0002845429520000082
其中，Tp(真正例)：真实类别为正例，分类也为正例；Tn(真负例)：真实类别为负例，分类为负例；Fp(假正例)：真实类别为负例，分类为正例；Fn(假反例)：真实类别为正例，分类也为负例。
计算种群适应度值后进行降序排序，将种群分成保持系，恢复系和不育系，生成三系的公式为：
M＝{x1,x2,…,xm},m＝N/3 (5)
R＝{xm+1,xm+2,…,x2m},m＝N/3 (6)
S＝{x2m+1,x2m+2,…,xn},m＝N/3 (7)
其中N为种群大小，m为每个子种群大小，M表示保持系个体的集合，R表示保持系个体的集合，S表示不育系个体的集合。
步骤7.分别随机从不育系和保持系中选择个体作为父本和母本进行杂交操作，即将父本和母本的基因通过重新组合产生新的基因序列，分别计算的新个体和参与杂交的不育系个体的适应值，从中选择适应度值较好的个体的基因保留至下一代；
通过杂交产生新个体的基因的公式为：
Figure BDA0002845429520000083
Figure BDA0002845429520000084
其中
Figure BDA0002845429520000091
表示第i个水稻种子的基因序列中的第j个基因，
Figure BDA0002845429520000092
和
Figure BDA0002845429520000093
分别表示不育系和保持系中的第k个水稻种子的基因序列中的第j个基因，r1，r2为[-1,1]之间的随机数，且r1+r2≠0。
步骤8.随机选择恢复系中的个体进行自交操作，计算出新个体的适应度值并跟自交前的个体的适应度值进行比较，若新个体的适应度值优于自交前个体的适应度值，就用产生的新个体替换原始个体，此时将该个体的自交次数记为0；否则不替换，该个体的自交次数加1；
恢复系水稻种子自交产生新个体的更新公式为：
subresult＝XbestsubXr(k) (10)
Xnew(i)＝(r3*subresult)add Xr(i) (12)
其中，Xnew(i)表示第i个水稻种子，Xr(i)和Xr(k)分别表示恢复系中第i个和第k个水稻种子个体，Xbest表示当前最优个体，r3是[0,1]之间产生的随机数，subresult表示Xbest与Xr(k)通过计算机二进制减法规则运算得到的结果，add和sub分别代表二进制运算规则中的加法和减法算子。
其中，二进制的加法运算，依据“逢二进一”规则，具体为：0+0＝0，0+1＝1，1+0＝1，1+1＝0(进位为1)。
二进制的减法运算，依据“借一当二”的规则，具体为：0－0＝0，0－1＝1(借位为1)，1－1＝0，1－0＝1。
步骤9.当达到最大自交次数时，恢复系个体进行重置操作，即在搜索空间中随机选择一组基因序列替换原始个体中的基因，并将自交次数归0；
恢复系进行重置操作时的更新公式为：
Xnew(i)＝Xr(i)add(r4*(Rmax-Rmin))+Rmin (14)
其中，Xnew(i)表示第i个水稻种子，Rmax和Rmin分别表示二进制搜索空间的上界和下界，r4是[0,1]范围内生成的一个随机数，Xr(i)表示恢复系中第i个水稻种子个体，add表示二进制运算规则中的加法算子。
其中，二进制的加法运算，依据“逢二进一”规则，具体为：0+0＝0，0+1＝1，1+0＝1，1+1＝0(进位为1)。
步骤10.记录全局最优的水稻个体的基因序列及其对应的适应度值，该基因序列可映射为全局最优的波段子集，即二进制水稻育种算法中每一维基因都有两个候选值，即0或者1，“0”表示该基因对应的波段未被选择，“1”表示该基因对应的波段被选择；
步骤11.判断是否满足终止条件，其中，终止条件设为达到最大迭代次数，若否，则返回执行所述步骤6；若是，则输出全局最优的水稻个体的基因序列对应的波段子集及其适应度值；
图3是计算机二进制运算规则实例图，其中：
图3(a)是两个二进制基因序列通过计算机二进制加法运算规则相加后得到二进制解的实例图，依据“逢二进一”规则，二进制加法运算规则为：
0+0＝0
0+1＝1
1+0＝1
1+1＝0(进位为1)。
图3(b)是两个二进制基因序列通过计算机二进制减法运算规则相减后得到二进制解的实例图，依据“借一当二”的规则，二进制减法运算规则为：
0－0＝0
0－1＝1(借位为1)
1－1＝0
1－0＝1。
应当理解的是，本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，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 (8)

1.一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法，其特征在于，包括如下步骤：
步骤1.读取高光谱图像，提取图像中的波段信息，并构成原始波段特征数据集，将数据集分成训练集和测试集两部分，其中训练集用于波段选择，测试集用来对筛选出的波段子集的分类效果进行测试；
步骤2.初始化随机生成二进制水稻育种算法种群并设置二进制水稻育种算法所需的参数，包括种群大小N，N为3的倍数，最大迭代次数itermax，最大自交次数tmax；
步骤3.设定反向学习概率pm，生成一个随机数rand，若rand<pm，则应用反向学习策略生成原始种群对应的二进制反向种群，否则直接跳转执行步骤5；
步骤4.同时计算出原始种群和反向种群中个体的适应度值，并选择其中适应度值高的个体构成最终的初始种群；
步骤5.将二进制水稻育种算法中的初始种群映射为相应的波段子集，即二进制水稻育种算法中每个水稻种子的每一维基因都有两个候选值，即0或者1，“0”表示该基因对应的波段未被选择，“1”表示该基因对应的波段被选择，每个水稻种子基因序列的编码长度等于高光谱图像中包含的波段数目；
步骤6.根据适应度函数计算种群中个体的适应值，按照个体的适应度值从大到小排序，将水稻种群划分为三系：保持系，恢复系，不育系，适应度值最优的1/3个体被选择为保持系，适应度值最差的1/3个体被选择为不育系，剩下1/3的个体被选择为恢复系；
步骤7.分别随机从不育系和保持系中选择个体作为父本和母本进行杂交操作，即将父本和母本的基因通过重新组合产生新的基因序列，分别计算新个体和参与杂交的不育系个体的适应值，从中选择适应度值好的个体的基因保留至下一代；
步骤8.随机选择恢复系中的个体进行自交操作，用计算机二进制运算规则中的加法和减法算子代替原来自交操作中的加法和减法算子，计算出新个体的适应度值并跟自交前的个体的适应度值进行比较，若新个体的适应度值优于自交前个体的适应度值，就用产生的新个体替换原始个体，此时将该个体的自交次数记为0；否则不替换，该个体的自交次数加1；
步骤9.当达到最大自交次数时，对恢复系个体进行重置操作，即在搜索空间中随机选择一组基因序列替换原始个体中的基因，并将自交次数归0，重置操作中的加法算子同样采用计算机二进制运算规则表示；
步骤10.记录全局最优的水稻个体的基因序列及其对应的适应度值，该基因序列可映射为全局最优的波段子集，即二进制水稻育种算法中每一维基因都有两个候选值，即0或者1，“0”表示该基因对应的波段未被选择，“1”表示该基因对应的波段被选择；
步骤11.判断是否满足终止条件，其中，终止条件设为达到最大迭代次数，若否，则返回执行所述步骤6；若是，则输出全局最优水稻个体的基因序列对应的波段子集及其适应度值。
2.根据权利要求1所述的一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法，其特征在于，所述步骤3中反向学习策略的定义为，设种群中有N个水稻个体，即X＝{x1,x2,…,xN}，X∈[a,b]，a,b为搜索空间的上界和下界，每个水稻个体xi∈X满足xi∈[ai,bi]，i＝1,2,…,N，则其反向个体定义为：
Figure FDA0002845429510000021
对于由d维二进制编码构成的个体
Figure FDA0002845429510000022
其对应的反向个体
Figure FDA0002845429510000023
由于个体中的基因
Figure FDA0002845429510000024
具有非0即1的特性，因此其二进制反向种群中个体的每一维基因可以定义为：
Figure FDA0002845429510000025
3.根据权利要求1所述的一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法，其特征在于，所述步骤4中构成最终的初始种群的方法为：
二进制水稻育种算法原始种群有N个水稻种子个体，生成的反向种群中的个体数同样为N；将原始种群和反向种群分别按照适应度值从大到小排序，将原始种群中排列在前n1的个体和反向种群中排列在前n2的个体选择组成最终的初始种群；其中N＝n1+n2。
4.根据权利要求1所述的一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法，其特征在于，所述步骤5中水稻育种算法中的二进制基因序列与波段之间的映射方式为：二进制水稻育种算法中每个水稻个体的每一维基因都有两个候选值，即0或者1，“0”表示该基因对应的波段未被选择，“1”表示该基因对应的波段被选择。
5.根据权利要求1所述的一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法，其特征在于，所述步骤6中用适应度值评估所选波段子集的质量，其适应度函数计算公式为：
Figure FDA0002845429510000031
其中，R表示本次选择波段的个数，C表示波段总数，α和β为两个权重系数，α的范围介于0和1之间，β＝1-α，Accuracy表示选择的波段子集参与分类得到的分类正确率，采用K-NN作为分类器进行分类，对于二分类问题，分类精度计算公式表示为：
Figure FDA0002845429510000032
其中，Tp为真正例：真实类别为正例，分类也为正例；Tn为真负例：真实类别为负例，分类为负例；Fp为假正例：真实类别为负例，分类为正例；Fn为假反例：真实类别为正例，分类也为负例；
计算种群适应度值后进行降序排序，将种群分成保持系，恢复系和不育系，生成三个子种群的公式为：
M＝{x1,x2,…,xm},m＝N/3 (5)
R＝{xm+1,xm+2,…,x2m},m＝N/3 (6)
S＝{x2m+1,x2m+2,…,xn},m＝N/3 (7)
其中N为种群大小，m为每个子种群大小，M表示保持系个体的集合，R表示恢复系个体的集合，S表示不育系个体的集合。
6.根据权利要求1所述的一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法，其特征在于，所述步骤7中通过杂交产生新个体的基因的公式为：
Figure FDA0002845429510000033
Figure FDA0002845429510000034
其中
Figure FDA0002845429510000035
表示生成的第i个水稻种子的基因序列中的第j个基因，
Figure FDA0002845429510000036
和
Figure FDA0002845429510000041
分别表示不育系和保持系中的第k个水稻种子的基因序列中的第j个基因，r1，r2为[-1,1]之间的随机数，且r1+r2≠0。
7.根据权利要求1所述的一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法，其特征在于，所述步骤8中恢复系水稻种子自交产生新个体的更新公式为：
subresult＝XbestsubXr(k) (10)
Xnew(i)＝(r3*subresult)addXr(i) (11)
其中，Xnew(i)表示生成的第i个水稻种子，Xr(i)和Xr(k)分别表示恢复系中第i个和第k个水稻种子个体，Xbest表示当前最优个体，subresult表示Xbest与Xr(k)通过计算机二进制减法规则运算得到的结果，r3是[0,1]之间产生的随机数，add和sub分别代表二进制运算规则中的加法和减法算子，二进制的加法运算依据“逢二进一”规则，具体为：0+0＝0，0+1＝1，1+0＝1，1+1＝0，进位为1，二进制的减法运算依据“借一当二”的规则，具体为：0－0＝0，0－1＝1，借位为1，1－1＝0，1－0＝1。
8.根据权利要求1所述的一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法，其特征在于，所述步骤9中恢复系进行重置操作时的更新公式为：
Xnew(i)＝Xr(i)add(r4*(Rmax-Rmin))+Rmin (12)
其中，Xnew(i)表示生成的第i个水稻种子，Rmax和Rmin分别表示二进制搜索空间的上界和下界，r4是[0,1]范围内生成的一个随机数，Xr(i)表示恢复系中第i个水稻种子个体，add表示二进制运算规则中的加法算子，二进制的加法运算依据“逢二进一”规则，具体为：0+0＝0，0+1＝1，1+0＝1，1+1＝0，进位为1。
CN202011507865.9A 2020-12-18 2020-12-18 一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法 Active CN112613391B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011507865.9A CN112613391B (zh) 2020-12-18 2020-12-18 一种基于反向学习二进制水稻育种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
CN202011507865.9A CN112613391B (zh) 2020-12-18 2020-12-18 一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法

Publications (2)

Publication Number Publication Date
CN112613391A true CN112613391A (zh) 2021-04-06
CN112613391B CN112613391B (zh) 2022-06-07

Family

ID=75240763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011507865.9A Active CN112613391B (zh) 2020-12-18 2020-12-18 一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法

Country Status (1)

Country Link
CN (1) CN112613391B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112908416A (zh) * 2021-04-13 2021-06-04 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
CN115114838A (zh) * 2022-07-22 2022-09-27 黑龙江八一农垦大学 基于粒子群算法思想和模拟退火策略的光谱特征波长选择方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103614456A (zh) * 2013-09-02 2014-03-05 石河子农业科技开发研究中心 鉴别新疆彩色棉系列1至23号品种的微卫星标记特异性引物及其应用
CN103714354A (zh) * 2014-01-16 2014-04-09 西安电子科技大学 基于量子粒子群算法的高光谱图像波段选择方法
CN104732240A (zh) * 2015-04-07 2015-06-24 河海大学 一种应用神经网络敏感性分析的高光谱影像波段选择方法
CN108197710A (zh) * 2018-01-31 2018-06-22 湖北工业大学 一种配电网开关优化配置的方法及系统
CN109378036A (zh) * 2018-09-17 2019-02-22 湖北工业大学 一种基于二系杂交水稻育种机制的启发式优化方法
US20190317243A1 (en) * 2014-09-12 2019-10-17 The Climate Corporation Estimating soil properties within a field using hyperspectral remote sensing
CN110414729A (zh) * 2019-07-19 2019-11-05 西北农林科技大学 基于特征波长的植物潜在最大光合能力预测方法
CN110610054A (zh) * 2019-09-23 2019-12-24 北京师范大学 一种土壤湿度长方体反演模型构建方法及系统
CN111126549A (zh) * 2019-12-24 2020-05-08 昆明理工大学 一种基于策略改进樽海鞘智能算法的双星光谱拟合方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103614456A (zh) * 2013-09-02 2014-03-05 石河子农业科技开发研究中心 鉴别新疆彩色棉系列1至23号品种的微卫星标记特异性引物及其应用
CN103714354A (zh) * 2014-01-16 2014-04-09 西安电子科技大学 基于量子粒子群算法的高光谱图像波段选择方法
US20190317243A1 (en) * 2014-09-12 2019-10-17 The Climate Corporation Estimating soil properties within a field using hyperspectral remote sensing
CN104732240A (zh) * 2015-04-07 2015-06-24 河海大学 一种应用神经网络敏感性分析的高光谱影像波段选择方法
CN108197710A (zh) * 2018-01-31 2018-06-22 湖北工业大学 一种配电网开关优化配置的方法及系统
CN109378036A (zh) * 2018-09-17 2019-02-22 湖北工业大学 一种基于二系杂交水稻育种机制的启发式优化方法
CN110414729A (zh) * 2019-07-19 2019-11-05 西北农林科技大学 基于特征波长的植物潜在最大光合能力预测方法
CN110610054A (zh) * 2019-09-23 2019-12-24 北京师范大学 一种土壤湿度长方体反演模型构建方法及系统
CN111126549A (zh) * 2019-12-24 2020-05-08 昆明理工大学 一种基于策略改进樽海鞘智能算法的双星光谱拟合方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LONG GUO 等: "Exploring the Influence of Spatial Resolution on the Digital Mapping of Soil Organic Carbon by Airborne Hyperspectral VNIR Imaging", 《REMOTE SENSING》 *
MAJDI MAFARJA 等: "Whale optimization approaches for wrapper feature selection", 《APPLIED SOFT COMPUTING》 *
于丰华 等: "基于红边优化植被指数的寒地水稻叶片叶绿素含量遥感反演研究", 《智慧农业（中英文）》 *
陈宏伟 等: "基于烟花算法的Otsu多阈值图像分割法", 《湖北工业大学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112908416A (zh) * 2021-04-13 2021-06-04 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
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
CN115114838A (zh) * 2022-07-22 2022-09-27 黑龙江八一农垦大学 基于粒子群算法思想和模拟退火策略的光谱特征波长选择方法
CN115114838B (zh) * 2022-07-22 2023-02-07 黑龙江八一农垦大学 基于粒子群算法思想和模拟退火策略的光谱特征波长选择方法

Also Published As

Publication number Publication date
CN112613391B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN113190699B (zh) 一种基于类别级语义哈希的遥感图像检索方法及装置
Liu et al. Uncertainty and confidence in land cover classification using a hybrid classifier approach
CN108985360B (zh) 基于扩展形态学与主动学习的高光谱分类方法
Esmaeili et al. Hyperspectral image band selection based on CNN embedded GA (CNNeGA)
CN112434628B (zh) 基于主动学习和协同表示的小样本图像分类方法
CN112613391B (zh) 一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法
Wang et al. An unequal deep learning approach for 3-D point cloud segmentation
Mensink et al. Tree-structured CRF models for interactive image labeling
Fang et al. Multiscale CNNs ensemble based self-learning for hyperspectral image classification
Shi et al. Evolutionary multitask ensemble learning model for hyperspectral image classification
CN114897085A (zh) 一种基于封闭子图链路预测的聚类方法及计算机设备
Shi et al. Spectral feature perception evolving network for hyperspectral image classification
Yao et al. Augdmc: Data augmentation guided deep multiple clustering
Ayele et al. Developing classification model for chickpea types using machine learning algorithms
Bai et al. Softly combining an ensemble of classifiers learned from a single convolutional neural network for scene categorization
Salman et al. Gene expression analysis via spatial clustering and evaluation indexing
De Stefano et al. A GA-based feature selection algorithm for remote sensing images
CN116912550A (zh) 一种基于地物依赖关系的异构卷积网络遥感影像土地利用并行分类方法
Traoré et al. A data-driven approach to neural architecture search initialization
CN116206158A (zh) 基于双超图神经网络的场景图像分类方法及系统
Sohail et al. Selection of optimal texture descriptors for retrieving ultrasound medical images
Adaïmé et al. Deep learning approaches to the phylogenetic placement of extinct pollen morphotypes
Cudic et al. Prediction of sorghum bicolor genotype from in-situ images using autoencoder-identified SNPs
Bharathi et al. The significance of feature selection techniques in machine learning
CN117315381B (zh) 一种基于二阶有偏随机游走的高光谱图像分类方法

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