專利名稱：一種半監(jiān)督svm遙感影像分類構(gòu)建方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種分類構(gòu)建方法，具體涉及一種半監(jiān)督SVM遙感影像分類構(gòu)建方法。
背景技術(shù)：
遙感影像包含了豐富復(fù)雜的地物信息，所含數(shù)據(jù)類別眾多，含混度大。如何有效提高影像分類的速度和精度是遙感影像研究中的一個關(guān)鍵問題，也是人們關(guān)注的焦點(diǎn)。支持向量機(jī)技術(shù)(suppor vector machines, SVM)由于能較好地解決高維特征、非線性、過學(xué)習(xí)，且具有局部極小等優(yōu)點(diǎn)，在遙感信息獲取中取得了很好的效果，但仍然存在一定的不足，主要表現(xiàn)在第一、分類參數(shù)的選擇沒有特別好的辦法，應(yīng)用時不容易找到最優(yōu)分類參數(shù)；第
二、混合像元的硬化分可能造成分類精度低下；第三、當(dāng)訓(xùn)練樣本集遠(yuǎn)遠(yuǎn)小于測試樣本時，即便SVM具有較強(qiáng)的泛化性，也難以給出令人滿意的結(jié)果。

發(fā)明內(nèi)容
本發(fā)明針對現(xiàn)有SVM遙感影像技術(shù)應(yīng)用時不容易找到最優(yōu)分類參數(shù)，混合像元的硬化分、訓(xùn)練樣本不足造成分類精度低下的問題，提出一種新的半監(jiān)督SVM遙感影像分類方法。本發(fā)明為解決上述問題采取的技術(shù)方案是本發(fā)明的具體步驟如下步驟一、利用自適應(yīng)變異粒子群算法對SVM遙感影像參數(shù)尋優(yōu)，構(gòu)建PSVM算法，PSVM算法的具體步驟如下步驟一(一)、隨機(jī)初始化粒子群中粒子的位置和速度；步驟一 (二)、將粒子的Pb設(shè)置為當(dāng)前位置，Pg設(shè)置為初始群體中最佳粒子位置；步驟一(三)、判斷算法是否滿足收斂條件，如果滿足執(zhí)行步驟一(八)，否則執(zhí)行步驟一(四)；粒子群優(yōu)化算法最終收斂位置時整個粒子群找到的全局極值，利用群體適應(yīng)度方差σ2、全局極值f (Pg)與理論極值fd比較作為全局收斂判定準(zhǔn)則；將SVM得到的分類準(zhǔn)確度作為粒子的適應(yīng)度函數(shù)，計(jì)作f=svm_accuracy ;收斂條件為同時滿足公式①和公式②
rπ2σζ =Yj=0①
i=\ L / _f(pg)〈fd ②公式①和公式②中fi為第i個粒子的適應(yīng)度，favg為粒子群目前的平均適應(yīng)度；步驟一(四)、速度更新，位置更新；根據(jù)公式③和公式④更新速度和位置V= ω V+c^! (Pb-Xpresent) +c2r2 (Pg-Xpresent)③
_4]Xpresent=U ④其中，V是粒子速度，Xpresent是粒子當(dāng)前位置，Γ!和r2為隨機(jī)數(shù)，C1和C2為學(xué)習(xí)因子；
步驟一(五)、計(jì)算變異概率Pm，

權(quán)利要求
1.一種半監(jiān)督SVM遙感影像分類構(gòu)建方法，其特征在于所述一種半監(jiān)督SVM遙感影像分類構(gòu)建方法的具體步驟如下 步驟一、利用自適應(yīng)變異粒子群算法對SVM遙感影像參數(shù)尋優(yōu)，即PSVM算法，PSVM算法的具體步驟如下 步驟一(一)、隨機(jī)初始化粒子群中粒子的位置和速度； 步驟一 (二)、將粒子的Pb設(shè)置為當(dāng)前位置，Pg設(shè)置為初始群體中最佳粒子位置；步驟一(三)、判斷算法是否滿足收斂條件，如果滿足執(zhí)行步驟一(八)，否則執(zhí)行步驟一(四)；粒子群優(yōu)化算法最終收斂位置時整個粒子群找到的全局極值，利用群體適應(yīng)度方差σ 2、全局極值f (Pg)與理論極值fd比較作為全局收斂判定準(zhǔn)則；將SVM得到的分類準(zhǔn)確度作為粒子的適應(yīng)度函數(shù)，計(jì)作f=svm_accuracy ;收斂條件為同時滿足公式①和公式② σ2=ν Ji Javs =o①/ _f(pg)〈fd ② 公式①和公式②中fi為第i個粒子的適應(yīng)度，favg為粒子群目前的平均適應(yīng)度； 步驟一(四)、速度更新，位置更新；根據(jù)公式③和公式④更新速度和位置 V= ω V+c^! (Pb-Xpresent) +c2r2 (Pg-Xpresent)③ X =X +V ④ 八present 八present * 其中，V是粒子速度，Xpresent是粒子當(dāng)前位置，Γι和r2為隨機(jī)數(shù)，C1和C2為學(xué)習(xí)因子； 步驟一(五)、計(jì)算變異概率pm， _J之早熟收斂 Pa = |θ,其它情況⑤ k e [O, I] 步驟一(六)、產(chǎn)生隨機(jī)數(shù)r e [O, I]，如果Kpm，按公式⑥執(zhí)行變異操作；否則執(zhí)行步驟一(七)；Pg=Pg*(1+0. 5* η)⑥ 其中H是服從Gauss (0，I)分布的隨機(jī)變量； 步驟一(七)、判斷步驟一(三)收斂準(zhǔn)則是否滿足，如果滿足執(zhí)行步驟一(八)，否則執(zhí)行步驟一(四)； 步驟一(八)、輸出初始群體中最佳粒子位置Pg ; 步驟二、利用自訓(xùn)練方法構(gòu)建PS3VM半監(jiān)督分類模型，具體步驟為 步驟二 (一)、初始化標(biāo)簽樣本集T,使T=L,無標(biāo)簽樣本集M,初始化τ，L表示標(biāo)簽樣本集; 步驟二 (二)、當(dāng)M古Φ執(zhí)行步驟二 (三)，Φ表示空； 步驟二 (三)、利用標(biāo)簽集訓(xùn)練SVM，并利用自適應(yīng)變異PSO進(jìn)行參數(shù)優(yōu)化，構(gòu)建初始分類器； 步驟二(四)、在集合T中利用Gkclust模糊聚類算法根據(jù)公式⑦產(chǎn)生聚類中心V，
全文摘要
一種半監(jiān)督SVM遙感影像分類構(gòu)建方法，它涉及一種分類構(gòu)建方法，具體涉及一種半監(jiān)督SVM遙感影像分類構(gòu)建方法。本發(fā)明為了解決現(xiàn)有SVM遙感影像技術(shù)應(yīng)用時不容易找到最優(yōu)分類參數(shù)，混合像元的硬化分、訓(xùn)練樣本不足造成分類精度低下的問題。本發(fā)明的具體步驟為步驟一、利用自適應(yīng)變異粒子群算法對SVM遙感影像參數(shù)尋優(yōu)；步驟二、利用自訓(xùn)練方法構(gòu)建PS3VM半監(jiān)督分類模型。本發(fā)明用于構(gòu)建半監(jiān)督SVM遙感影像。
文檔編號G06K9/62GK102880872SQ20121031002
公開日2013年1月16日 申請日期2012年8月28日 優(yōu)先權(quán)日2012年8月28日
發(fā)明者劉穎, 張柏, 王麗敏, 顧振山, 郭勤 申請人:中國科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所