粒子群算法和序贯搜索的高光谱波段选择-数据采集与处理.docVIP

基于粒子群算法和序贯搜索的高光谱波段选择 黄睿 （上海大学 通信与信息工程学院，上海200072）heuristic search is proposed to generate the band subset. The method embeds the sequential search into the evolution optimization for better ability of the fine tune in local search space and thus behaves well in both global and local cases. In addition, the embed scheme guarantees the validity of solutions for the optimization algorithms. The performance comparisons among the proposed method, hybrid genetic algorithm (HGA), standard genetic algorithm (SGA) and sequential backward floating search (SFFS) are carried out in the experiments on band selection and classification with the hyperspectral data sets. The results show that the proposed method can obtain better subsets according to the evaluation criterion. Key words: band selection; hyperspectral data classification; particle swarm optimization; sequential search 引言 与多光谱遥感相比，高光谱成像光谱仪在可见到近红外的光谱范围内可获取地物几十到上百的连续光谱响应，形成精细的光谱曲线，为地物分类，目标识别提供了更有利的依据。然而，由此产生的高维数据也对后续的数据分析处理带来挑战。Hughes现象[1]表明，在标记样本有限时数据维数的不断增长会导致监督分类器性能下降，而在地物分类中，因受人力和客观地理环境的限制，获得的标记样本较少，这将极大的影响高维数据监督分类算法的性能。波段选择根据评价准则从众多波段中挑选有利于分类的波段构成子集，是克服该问题的有效手段之一。 根据搜索策略的不同，波段选择可分为完全搜索、启发式搜索和随机搜索[2]。分支定界法是一种完全搜索策略，但要求子集评价准则满足单调性且计算量较大。启发式搜索是一种贪婪算法，速度快，但无法保证局部的最优解具有全局最优性，如顺序前向与后向搜索[3]。近年来出现的随机搜索，如遗传算法（Genetic Algorithm，GA）、粒子群优化算法（Particle Swarm Optimization，PSO）等，在理论上可以获得全局最优解，已被用于高光谱数据波段选择[4, 5]，但收敛速度慢，易陷入局部极值是其不足。Oh等[6]将GA与序贯搜索结合，提出的混合GA算法相较标准GA与序贯搜索性能有所提高。 本文受此混合优化思路启发，提出在离散PSO中嵌入序贯搜索的DPSO-SS方法，在种群每次迭代更新后利用序贯搜索进行局部微调，不但优化了种群，也保证了搜索空间解的有效性。同时，我们对常用的离散PSO算法进行改进，避免每次迭代时产生较大规模的波段子集而不利于进一步微调。在高光谱数据波段选择与分类实验中，我们比较了DPSO-SS与混合GA、标准GA和浮动序贯搜索SFFS的性能，结果表明所提算法能选择出评价准则意义下更好的子集。 1 粒子群优化与序贯搜索算法 粒子群优化PSO是在鸟群、鱼群的行为规律的启发下提出的一种基于群体智能（Swarm Intelligence）的演化计算技术，具有深刻的智能背景，适合对群体行为进行研究。算法中，粒子群由若干粒子构成，每个粒子代表给定问题在维搜索空间中的一个潜在解。在搜索过程中，粒子根据自身及周围粒子的经验调节其在超平面中的移动速度并更新位置，它具有记忆能力，使得整个群体向更好的搜索区域移动。解的质量仍由其适应度函数决定。 在维搜索空间，设粒子第步的位置为，速度为，为该粒子迄今搜索到的最优位置，即个体极值点，为整个粒子群迄今搜索到的最优位置，即全局极值点。则粒子下公式更新速度和位置（）： （） （） 其中，正数和为加速因子和为服从一致分布的随机数；为惯性因子，一般