专利名称：基于蚁群算法的积雪深度反演设计方法
技术领域：
本发明设计智能计算和积雪的被动微波遥感两大领域。主要涉及的是积雪深度反演的设计方法。
背景技术：
作为积雪的重要参数之一，积雪深度信息对于全球变化研究和雪水资源的评估有重要意义。如何准确地反演积雪深度，一直是积雪遥感研究中的重要内容。在积雪遥感研究中，被动微波遥感是一个十分活跃的研究领域，已成为了积雪遥感的主要研究手段之一。现有的算法有NASA算法，MEMLS模型，HUT模型，致密介质辐射传输模型等。蚁群算法是一种群集智能算法，算法模拟了蚁群在搜索食物源时所体现的寻优能力，用于解决离散系统优化中的困难问题。目前有关蚁群算法的应用研究表明，蚁群智能算法在求解复杂优化问题方面具有显著的优越性。作为一种全局搜索算法，蚁群算法能够有效避免局部极优解的出现，某几次的错误运算不会影响到整体结果，有很高的容错性。作为一个高度非线性问题，积雪深度反演无法得到一个精确的显式反演公式，而蚁群算法采用概率模拟的方法进行运算，更加贴近于复杂的真实情况。因此，蚁群算法在积雪深度反演研究中有着独到的优势。
发明内容
本发明将蚁群算法应用于被动微波遥感的积雪深度反演设计方法中，该方法的优点在于I.算法流程清楚，易于实现；2.具有较强的可移植性，输入频率可以依具体条件而改变；3.相对于基于统计的其他雪深反演模型，算法的适用范围更广；基于蚁群算法的积雪深度反演算法设计的具体步骤包括基于蚁群算法的积雪深度反演设计方法的具体步骤包括 I)将积雪被动微波辐射传输模型计算得到的模拟数据进行离散化。通过积雪的被动微波辐射传输模型模拟得到的数据，为各个频率辐射亮温-积雪深度的组合，进行离散化时，考虑算法运行效率与算法精度两方面的要求，以一定的区间长度，将辐射亮温和积雪深度划分为一系列离散的区间，构成蚁群算法的路径空间。亮温的离散区间作为蚁群中蚂蚁的路径节点，积雪深度区间作为路径的终点；2)算法的参数设置与路径节点的信息素浓度初始化。在蚁群算法开始迭代之前，设置蚁群中蚂蚁数量K，最大迭代次数N，最小样本比例C，信息素挥发系数P，将所有路径节点的信息素浓度初始化为相同的值
ITijCt = 0)=石一^
^i=a Di
其中，T u为t = 0时刻路径节点tern^的信息素浓度，a为所划分的雪深区间总数，4为第i个雪深区间内所有可能的取值；3)根据训练样本的统计特征，构造蚁群算法的启发函数，定义每一个路径节点的启发函数为
权利要求
1.一种基于蚁群算法的积雪深度反演设计方法，其特征在于，该方法包括如下步骤 1)将积雪被动微波辐射传输模型计算得到的模拟数据进行离散化，作为蚁群算法中蚁群的路径空间，经过离散化得到的每一个亮温区间都作为一个可能的路径点，每一个积雪深度区间都作为一个可能的路径终点； 2)设定路径空间中各路径点的初始信息素浓度T与信息素的挥发系数P;并设定初始参数，即蚁群中蚂蚁数量K、最大循环次数N和最小样本比例C ； 3)根据模拟数据的统计特征，构造蚁群算法的启发函数n，计算每一个条件节点的启发函数值； 4)按照路径节点的信息素浓度和启发函数值，计算该节点被选择到路径中的概率P，蚂蚁按照此概率选择节点构造路径； 5)当一条路径构造完成后，计算该路径的有效性Q，并对规则进行修剪； 6)当整个蚁群经过一次迭代后，按照信息素的挥发系数P与节点所属规则的有效性Q对所有节点的信息素浓度进行更新； 7)当达到最大迭代次数或未被选入到路径中的训练样本数小于预设值时，算法流程结束，此时蚁群算法产生的最终路径构成反演规则列表，并输出经过优化的积雪深度的反演值。
2.基于权利要求I所述的一种基于蚁群算法的积雪深度反演设计方法，其特征在于所述步骤I)中，通过积雪的被动微波辐射传输模型模拟得到的数据，为各个频率辐射亮温-积雪深度的组合，进行离散化时，考虑算法运行效率与算法精度两方面的要求，以一定的区间长度，将辐射亮温与积雪深度划分为一系列离散的区间，构成蚁群算法的路径空间，亮温的离散区间作为蚁群中蚂蚁的路径节点，积雪深度区间作为路径的终点。
3.基于权利要求I所述的一种基于蚁群算法的积雪深度反演设计方法，其特征在于所述步骤2)中，在蚁群算法进行迭代之前，各个路径节点的信息素浓度初始化为相同的值 TiiCt=0)=^b； 其中，T u(t = 0)为t = O时刻路径节点termu的信息素浓度，a为所划分的雪深区间总数，h为第i个雪深区间内所有可能的取值。
4.基于权利要求I所述的一种基于蚁群算法的积雪深度反演算法设计方法，其特征在于所述步骤3)中，定义每一个路径节点的启发函数为 max(Xnfr6qT；^EMfr6ql； ,-￡a freqT^... EnfreqT| ) nii=Tk 其中，Hij表示路径节点terniij的启发函数值，Tij为满足路径节点tern^所代表条件的样本数，freql^为Tu中雪深落在目标区间w中的样本数。算法运行过程中，每得到一条最终规则，都要将符合规则的样本移除，因此，启发函数值在得到一条最终规则后将会进行动态更新。
5.基于权利要求I所述的一种基于蚁群算法的积雪深度反演设计方法，其特征在于所述步骤4)中，蚂蚁在构造路径时，将每个路径节点以一定的概率加入到路径中，路径节点termu被选择的概率为
6.基于权利要求I所述的一种基于蚁群算法的积雪深度反演设计方法，其特征在于所述步骤5)中，当一条完整的路径产生时，即为一条反演规则，反演规则的有效性按照下式计算
7.基于权利要求I所述的一种基于蚁群算法的积雪深度反演设计方法，其特征在于所述步骤6)中，在整个蚁群经过一次迭代构造出反演规则后，所有路径节点的信息素浓度按照下式进行更新
8.基于权利要求I所述的一种基于蚁群算法的积雪深度反演设计方法，其特征在于所述步骤7)中，算法首先预设了最大迭代次数与最小训练样本，当迭代进行到最大迭代次数，或者训练样本中未被选中的比例达到了预设值时，算法结束，此时产生的反演规则作为最终反演规则。
全文摘要
基于蚁群算法的积雪深度反演算法设计，涉及到智能计算与积雪的被动微波遥感两大领域，该方法首先通过积雪的微波辐射传输模型得到不同频率的辐射亮温与积雪深度之间关系的模拟数据，然后将模拟得到的辐射亮温数据与积雪深度数据进行离散化，换算为蚁群算法中蚂蚁的路径空间，每一个离散区间作为一个可能的路径点，并在各个可能的路径点上设定信息素浓度的初始值，每一只蚂蚁所选择的路径代表一条反演规则，并计算该规则的有效性，作为信息素浓度更新的依据，对下一蚁群的路径选择进行反馈，在经过若干次迭代后，得到积雪深度的最终反演规则。
文档编号G06F19/00GK102708277SQ20121009831
公开日2012年10月3日 申请日期2012年4月6日 优先权日2012年4月6日
发明者李震, 邵雨阳, 陈权 申请人:中国科学院对地观测与数字地球科学中心