基于AGA‑PKF‑SVM的遥感影像分类方法与流程

技术特征：

1.一种基于AGA-PKF-SVM的遥感影像分类方法，其特征在于：该方法包括以下步骤：

步骤1：支持向量机的核函数采用多项式核函数，如式(1)所示；

$K(x_i,x_j)={({\mathrm{\γx}}_i^T{x}_j+r)}^d,\mathrm{\γ}\>0---\left(1\right)$

其中，K(x_i，x_j)表示核函数，x_i和x_j分别表示二维空间中的两个点，γ表示多项式核函数中的内积系数，r表示常数项，d表示多项式的项数；

将支持向量机中的惩罚因子C、多项式核函数中内积系数γ、常数项r、多项式的项数d及交叉验证的折数k五种参数组合看作种群的一个个体，对个体进行二进制编码，并对种群进行初始化；

步骤2：对个体进行解码；

步骤3：将分类结果的准确率设为目标函数，通过k折交叉验证，计算支持向量机模型对遥感影像的平均分类准确率，将该平均分类准确率作为个体的适应度值；

步骤4：根据个体的适应度值，进行选择、交叉、变异、重插入操作，对参数组合进行优化；

步骤5：判断优化过程是否满足最大迭代次数，若满足，则得到最优个体，输出最优参数组合，根据最优参数组合建立采用多项式核函数的支持向量机遥感影像分类模型，该模型中记录了优化后得到的参数、分类的个数、支持向量的个数、各支持向量及系数、分类超平面的常数项，否则返回步骤2；

步骤6：根据步骤5建立的支持向量机遥感影像分类模型对遥感影像测试集数据进行分类，输出分类结果、混淆矩阵、总体精度及Kappa系数；所述混淆矩阵、总体精度及Kappa系数用于表征分类精度；在混淆矩阵中能够显示正确分类的数量及被错分的类别和个数；总体精度指被正确分类的类别像元数与总的类别个数的比值；Kappa系数是通过把所有真实分类中的像元总数乘以混淆矩阵对角线的和，再减去某一类真实像元总数与被误分成该类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果得到的。

2.根据权利要求1所述的基于AGA-PKF-SVM的遥感影像分类方法，其特征在于：所述步骤1中将个体进行二进制编码的步骤如下：

对待优化的多项式核函数三个参数及支持向量机惩罚因子、交叉验证的折数进行二进制编码，其中每组参数组合看作种群中的一个个体，个体编码分成5个单元：

单元1：20位二进制数，用于确定支持向量机惩罚因子C；

单元2：20位二进制数，用于确定多项式核函数参数γ；

单元3：20位二进制数，用于确定多项式核函数参数r；

单元4：20位二进制数，用于解码后按四舍五入确定多项式核函数的项数d；

单元5：20位二进制数，用于解码后按四舍五入确定交叉验证的折数k。

3.根据权利要求1所述的基于AGA-PKF-SVM的遥感影像分类方法，其特征在于：所述步骤4中根据个体适应度值采用轮盘赌法选择优良个体进行交叉、变异操作；通过计算种群的平均适应度值f_avg及最大适应度值f_max，按照式(2)计算自适应交叉概率P_c，以P_c为交叉概率进行交叉操作；

$P_c=\left\{\begin{array}{cc}{P}_{c1}-\frac{(P_{c2}-P_{c1})(f^{\′}-f_{avg})}{f_{max}-f_{avg}}& f^{\′}\≥f_{avg}\\ P_{c2}& f^{\′}\<f_{avg}\end{array}\right.---\left(2\right)$

其中，P_c1、P_c2分别表示交叉概率取值的下限和上限，f′表示参与交叉的两个个体中较大的适应度值；

按照式(3)计算自适应变异概率P_m，以P_m为变异概率进行变异操作；

$P_m=\left\{\begin{array}{cc}{P}_{m1}-\frac{(P_{m2}-P_{m1})(f_{max}-f)}{f_{max}-f_{avg}}& f\≥f_{avg}\\ P_{m2}& f\<f_{avg}\end{array}\right.---\left(3\right)$

其中，P_m1、P_m2分别表示变异概率取值的下限和上限，f表示变异个体的适应度值。