模拟退火法用于气体红外光谱数据的识别分类.PDF

维普资讯 第 l9 卷 第 4 期 量 子 电 子 学 报 Vb1．19 NO．4 2002年 8月 CHINESEJOURNALOFQUANTUM ELECTRONICS Aug．，2002 文章编号： 1007—5461(2002)04．0314—04 模拟退火法用于气体红外光谱数据的识别分类 范 伟， 方勇华， 荀毓龙 (中国科学院安徽光学精密机械研究所， 合肥 230031) 摘 要 本文介绍了一种新的分类方法，它克服了传统的线性局部搜索的缺点，引入了跳跃式搜索，使得算法能 够跳出局部极优解的陷阱，从而找到全局最优解．文中详细地介绍了其原理，并利用模拟退火的跳跃式搜索方法进 行算法训练．通过实例 比较，说明本方法应用于大气遥感红外光谱数据的分类和识别时，是行之有效的． 关键词 模拟退火；局部搜索；复杂样本 中图分 类 号：0434．33 文 献 标 识 码：A 1 引 言 在红外遥感中，我们有时遇到对空气中微量成分识别的问题，在有效信息十分少、干扰又很大的情况下， 如果样本不是特别复杂，那么模式识别中的局部搜索 (LSA)的线性分类技术是简单而有效的．它表现出了很 好的识别能力，得出的解向量 ，将两类样本集全部样本正确分类．但是野外试验采集样本非常复杂时， 如采集了许多与我们所感兴趣的微量成分有着相似特征的干扰谱，以及干扰谱之间或者干扰谱和微量成分的 混合谱，这样两类样本分布具有多峰性质并互相交错 f引，那么采用传统的局部搜索分类器进行局部搜索，分 类错误往往偏大。在基于梯度下降法的线性识别中，虽然识别率较高，但将错分的光谱样本加入训练样本中 做训练，也不能全部识别分清，叠代过程永远不会终结，即算法不收敛。这就表明传统的线性判别函数的性 能下降了，不能符合算法的要求。 在实际问题中往往无法事先知道样本集复杂程度，这样传统的局部搜索的线性分类技术就有可能失去一 般的意义。因此，希望能够找到一种既适用于样本集简单线性可分情况，又适用于样本集复杂情况的算法。 这种算法对于简单的样本，可以得到一个如感知准则函数那样的解向量 ，使得对两类问题样本集做到全 部样本正确分类；而对于复杂多峰交错样本的问题，则得到一个使两类样本集错分数 目最少的权向量 ． 这时，用模拟退火 (SimulatedAnnealing，简称 SAA)算法进行训练得到的分类器表现出了较大的灵活性， 符合要求。 模拟退火方法是近年来出现的一种通用的随机搜索算法 【¨。它不仅继承了传统的局部搜索方法，每步 向改善解的方向搜索，而且还允许产生跳跃式 爬“山运动 搜索，即以一定概率往恶化解的方向走，这种做 法带来的好处是使算法在一定的条件下可以收敛到全局最优解，达到了很高的分类效果． 2 模拟退火原理 求解权重 的过程就是组合优化问题．组合优化问题解空间中的每个点都代表一个解，不同的解有着 不同的代价函数 (亦称 目标函数)值．所谓优化，就是在解空间中寻找代价函数的最小 (或最大)解．用数学 表达式可以表示为算法用以解决如下组合最优化问题： minf(x) (或 maxf(x))， s．t．g(x) 0，z∈D． 其中f(x)为 目标函数，g(x)为约束方程，D为定义域． 收稿 日期： 2002-04—27；修改 日期； 2002-05—22 维普资讯 第 4期 范 伟等： 模拟退火法用于气体红外光谱数据的识别分类 315 设组合优化问题的一个解i及其 目标函数 f(i)，令随算法进程递减其值的控制参数 t，对 t的每一取值 进行所有的迭代过程构成一个Markov链，则对于控制参数t的每一个取值，算法持续产生 “产生新解 一判断 一 接受 ／舍弃”的跳跃式搜索迭代过程。模拟退火算法从某个初始解出发，经过大量解的变换后，可以求得 给定控制参数值时组合优化问题的相对最优解。然后减小控制参数 t的值，重复执行 “产生新解 一判断一接 受 ／舍弃”的跳跃式搜索迭代过程，