專利名稱：一種半監督svm遙感影像分類構建方法
技術領域：
本發明涉及一種分類構建方法，具體涉及一種半監督SVM遙感影像分類構建方法。
背景技術：
遙感影像包含了豐富復雜的地物信息，所含數據類別眾多，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鍵問題，也是人們關注的焦點。支持向量機技術(suppor vector machines, SVM)由于能較好地解決高維特征、非線性、過學習，且具有局部極小等優點，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，主要表現在第一、分類參數的選擇沒有特別好的辦法，應用時不容易找到最優分類參數；第
二、混合像元的硬化分可能造成分類精度低下；第三、當訓練樣本集遠遠小于測試樣本時，即便SVM具有較強的泛化性，也難以給出令人滿意的結果。
發明內容
本發明針對現有SVM遙感影像技術應用時不容易找到最優分類參數，混合像元的硬化分、訓練樣本不足造成分類精度低下的問題，提出一種新的半監督SVM遙感影像分類方法。本發明為解決上述問題采取的技術方案是本發明的具體步驟如下步驟一、利用自適應變異粒子群算法對SVM遙感影像參數尋優，構建PSVM算法，PSVM算法的具體步驟如下步驟一(一)、隨機初始化粒子群中粒子的位置和速度；步驟一 (二)、將粒子的Pb設置為當前位置，Pg設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，如果滿足執行步驟一(八)，否則執行步驟一(四)；粒子群優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則；將SVM得到的分類準確度作為粒子的適應度函數，計作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個粒子的適應度，favg為粒子群目前的平均適應度；步驟一(四)、速度更新，位置更新；根據公式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是粒子當前位置，Γ!和r2為隨機數，C1和C2為學習因子；
步驟一(五)、計算變異概率Pm，
權利要求
1.一種半監督SVM遙感影像分類構建方法，其特征在于所述一種半監督SVM遙感影像分類構建方法的具體步驟如下 步驟一、利用自適應變異粒子群算法對SVM遙感影像參數尋優，即PSVM算法，PSVM算法的具體步驟如下 步驟一(一)、隨機初始化粒子群中粒子的位置和速度； 步驟一 (二)、將粒子的Pb設置為當前位置，Pg設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，如果滿足執行步驟一(八)，否則執行步驟一(四)；粒子群優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則；將SVM得到的分類準確度作為粒子的適應度函數，計作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個粒子的適應度，favg為粒子群目前的平均適應度； 步驟一(四)、速度更新，位置更新；根據公式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是粒子當前位置，Γι和r2為隨機數，C1和C2為學習因子； 步驟一(五)、計算變異概率pm， _J之早熟收斂 Pa = |θ,其它情況⑤ k e [O, I] 步驟一(六)、產生隨機數r e [O, I]，如果Kpm，按公式⑥執行變異操作；否則執行步驟一(七)；Pg=Pg*(1+0. 5* η)⑥ 其中H是服從Gauss (0，I)分布的隨機變量； 步驟一(七)、判斷步驟一(三)收斂準則是否滿足，如果滿足執行步驟一(八)，否則執行步驟一(四)； 步驟一(八)、輸出初始群體中最佳粒子位置Pg ; 步驟二、利用自訓練方法構建PS3VM半監督分類模型，具體步驟為 步驟二 (一)、初始化標簽樣本集T,使T=L,無標簽樣本集M,初始化τ，L表示標簽樣本集; 步驟二 (二)、當M古Φ執行步驟二 (三)，Φ表示空； 步驟二 (三)、利用標簽集訓練SVM，并利用自適應變異PSO進行參數優化，構建初始分類器； 步驟二(四)、在集合T中利用Gkclust模糊聚類算法根據公式⑦產生聚類中心V，
全文摘要
一種半監督SVM遙感影像分類構建方法，它涉及一種分類構建方法，具體涉及一種半監督SVM遙感影像分類構建方法。本發明為了解決現有SVM遙感影像技術應用時不容易找到最優分類參數，混合像元的硬化分、訓練樣本不足造成分類精度低下的問題。本發明的具體步驟為步驟一、利用自適應變異粒子群算法對SVM遙感影像參數尋優；步驟二、利用自訓練方法構建PS3VM半監督分類模型。本發明用于構建半監督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 優先權日2012年8月28日
發明者劉穎, 張柏, 王麗敏, 顧振山, 郭勤 申請人:中國科學院東北地理與農業生態研究所