融和启发信息的蚁群特征选择方法.pdfVIP

第 3 期 测绘科技情报 总第 64 期 融和启发信息的蚁群特征选择方法 129 430079 摘 要 特征提取和选择是模式识别核心问题之一,它极大地影响着分类器的设计和性能，高维的特 征选择更是一个NP难题。针对特征选择这一组合优化及多目标优化问题，本文提出了改进的融合启 发信息ACO （Ant colony optimization ）特征选择的新方法，该算法比不用启发信息的ACO方法能更 好地找出代表问题空间的最优特征子集，降低分类系统的搜索空间，从而提高搜索效率。以航空纹 理影像的特征选择和分类问题为例，利用原始蚂蚁算法和改进的蚂蚁算法选择的特征分别进行识别， 结果证明该算法不仅能够比没有改进的蚂蚁找出有效特征集、降低图像特征空间维数、减少图像分 类的工作量, 而且提高了分类识别正确率。 关键词 蚁群优化算法；启发信息；特征选择； 纹理分类；最优特征子集 影像语义信息的自动提取和解译是摄影 从n 个原始特征中选取 d 个特征的子集,所有 测量和计算机视觉等领域的热门话题，而利用 可能的特征组合方案数为 Cd ，这是一个无约 n 纹理特征进行影像识别和解译是最重要的技 束的组合优化问题。一般情况下这是一个非常 术途径之一。由于纹理本身的复杂性,为了区 大的数。况且d 的确定本身就是一个难题，d 分不同种类的纹理，通常要引入多种特征以便 到底多少才是合适的？这也是一个非常困难 改善分类的效果，但是特征无限的增加会导致 的问题。还有一种方法是对于给定的允许错误 “维数灾” 的问题。首先，特征的增加会给计 率，求维数最小的特征子集，这是一种有约束 算带来困难，而且过多的数据要占用大量的存 的最优化问题。上述两种方法都属于 NP 难 贮空间。其次，当原始特征数过多时,不仅使 题，除了穷尽搜索之外,不能保证得到最优解。 获取特征的代价增加,而且在样本数较少时将 在n 较小时尚可用枚举法求解，对稍大些的n , 使所设计的分类器的性能得不到保证。最后， 如n ≥20,穷尽搜索实际上已经不可能了。在目 大量的特征中肯定会有很多特征间会存在很 标函数满足单调性的前提下，分枝限界法(BB) 强的相关性。如果不加区分的就把它们组合在 能够很好的求取最优特征子集，但单调性前提 一起进行分类识别工作，会造成如下两个方面 在实际问题中往往不能满足。另外，即使 BB 的主要问题：（1）增加识别工作的计算量； 算法减少了 9.9%的工作量，算法的复杂度与 2 ）可能会造成识别分类精度的下降。 n 仍是指数关系，当n 较大时,BB 算法仍不可 （ 通过特征选择和提取压缩特征维数和改 行。为了减少计算量，一批寻求较好次优解的 善正确识别率是解决上述问题最有效的途径， 算法被提了出来。这类方法主要有：顺序前进 在具体实施时主要有降维变换和直接选择这 法（SFS），顺序后退法(SBS)，增l 减r 法， 两种基本方法。这里重点讨论直接选择法,所 以及新近提出的基于遗传算法和基于粗糙集 谓直接选择法是指从原始特征集中选出固定 等方法，但是上述方法都或多或少的存在着一 数目的特征使选定的可分判据值取最大值。如