资源描述：
《一种用于高光谱遥感影像分类的改进多类支持向量机》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、2007.5理论研究遥感信息一种用于高光谱遥感影像分类的改进多类支持向量机于宁锋,杨化超(中国矿业大学环境与测绘学院,江苏徐州221008)摘要:将支持向量机(SVM)用于高光谱遥感影像分类的研究,采用决策边界特征提取(DBFE)算法对高光谱影像进行维数约简,以径向基函数(RBF)作为SVM模型的核函数,把混沌优化搜索技术引入到PSO算法中,以基本PSO算法为主体流程,对种群中最好的粒子进行给定步数的混沌优化搜索,以改进基本PSO算法进化后期收敛速度慢、易陷入局部极小值的缺陷。利用改进的混合粒子群优化算法(PSO)来实现SVM模型参数的自
2、动选择,继而构建了一种参数最优的粒子群优化支持向量机(PSO2SVM)多类分类模型。选用220波段的AVIRIS高光谱遥感影像进行了分类试验。结果表明,与采用基于留一法(LOO)网格搜索策略的传统SVM相比,改进后的PSO2SVM算法可以提高分类精度约8.8%。该方法对于小样本、非均衡条件下的遥感影像数据分类非常有效。关键词:高光谱遥感;粒子群优化;支持向量机;特征提取;SVM中图分类号:TP751文献标识码:A文章编号:1000-3177(2007)93-0007-05粒子群优化(ParticleSwarmOptimization,[1
3、1～12]PSO)算法是Kennedy和Eberhart于1995年1引言提出的一种全局最优进化算法,同遗传算法和蚁群支持向量机(SupportVectorMachine,SVM)算法相比,PSO算法在计算性能和耗费内存上有较方法近年来得到了广泛和深入的研究并成功应用于大的优势,而且与大多数进化算法不同的是,PSO[1～4]遥感影像的分类领域。SVM的分类性能依赖算法是通过个体间的协作而不是通过适者生存来搜于SVM分类模型的选择。然而对于参数模型的选寻最优解,PSO算法中个体都有记忆,这在其他的[12]择目前仍然没有很好的通用解决方法。常
4、采用的留进化类算法中是没有的。基于PSO算法的优一法(LeaveOneOut,LOO)或交叉验证(Cross点,本文提出并构建了一种参数最优的粒子群优化Validation,CV)参数选择方法通常需要大量的训支持向量机(PSO2SVM)高光谱遥感影像多类分类练样本,且采用的是穷举搜索方式,计算复杂度较模型。在220波段的高光谱AVIRIS航空影像上进[5]高。Chapelle等应用梯度下降算法实现SVM模行了分类试验并与使用留一法策略的简单SVM进[6]型参数的自动选择。Bengio提出了基于梯度的模行了对比分析。型选择判据,并对线性回归
5、和时间序列预测模型参2PSO2SVM多类分类模型构建[7]数进行了优化设计。Keerthi采用拟牛顿法进行Gaussian核函数SVM模型参数选择。上述基于梯2.1多类SVM度的常规数值方法可能陷于局部最优解,如果迭代SVM是一种基于结构风险最小化原理的机器的初值选取不当,则很难获得令人满意的模型参数。学习方法,主要思想是在保证经验风险Remp(f)[8～10]有学者提出基于遗传算法的SVM模型参数选尽可能小的前提下,最小化置信风险上界。它利用择方法。然而遗传算法涉及到的参数较多、算法复核函数将输入向量映射到一个高维特征空间,并在杂且容易
6、陷入局部极小值。该空间内构造一个最优超平面来逼近分类函数。最收稿日期:2007-01-18修订日期:2007-02-28基金项目:国家自然科学基金资助项目(40401038)作者简介:于宁锋(1960～),男、中国矿业大学环境与测绘学院讲师,硕士,主要从事测量数据处理与软件工程等方面的教学与研究。通讯作者:杨化超,E2mail:huachao2yang@163.com7遥感信息理论研究2007.5T优分类超平面的构造最终可以归结为二次规划问vid)表示粒子i的“飞行”速度。yi=(yi1,yi2,...[1～3]T题,即,yid)表示粒子
7、i曾经到达的最好位置。种群中最l优粒子的序号用g表示。每个粒子根据下式来更2wmin‖W‖/2+C6ξi(1)新自己的速度和位置:,ξ,bii=1k+1kkkkkkνid=Wνid+b1r1(Pid-xid)+b2r2(pgd-xgd)s·t·yi[w·xi]+bE1-ξik+1kkξxid=xid+aνidiE0,i=1,2,⋯l(2)其中C为惩罚参数(PenaltyValue),C越大表(5)示对错误分类的惩罚越大。ξi,i=1,2,⋯,l为非负式中:k表示第k次迭代;i=1,2,⋯,n为粒子松弛变量(SlackVariables)。
8、采用Lagrange乘子群规模;b1,b2为学习因子;r1,r2为[0,1]间的随机法求解这个具有线性约束的二次规划问题。其对偶数;a为控制速度权重的约束因子;w为惯性权重。最优化问题转化为:
