技术领域本发明涉及遥感影像分类领域，特别涉及基于多智能体和蚁群算法的面向对象遥感分类方法。
背景技术：
近年来，在智慧城市发展趋势下，公众对基于土地资源优化配置的科学性和高效性要求日益迫切，利用空间数据挖掘技术，对土地资源数据信息进行挖掘。蚁群算法作为经典数据挖掘算法，基于“局部学习，总体结合”的思想能够对于城市土地利用变化规则进行有效的挖掘。而蚁群算法由于需要对于众多参数进行设置，其结果具有一定的随机性与倾向性，只能反映某一类特定客体对于土地利用变化的影响。
技术实现要素：
本发明要解决的技术问题是：提供一种基于多智能体和蚁群算法的面向对象遥感分类方法，能够定量化表达多智能体协商与决策过程，提高预测精度。本发明为解决上述技术问题所采取的技术方案为：一种基于多智能体和蚁群算法的面向对象遥感分类方法，其特征在于：它包括以下步骤：S1、样本数据集的构建：收集至少2期研究区域的遥感影像数据，并基于该遥感影像数据进行数据矢量化，制作城市土地利用分类数据，构建土地利用变化样本数据集；S2、初始化主智能体和子智能体，主智能体发布进行土地利用变化转化规则挖掘的任务；S3、若干个子智能体根据自身能力选择是否接收主智能体的任务，并返回相应消息给主智能体；S4、主智能体将接收任务的子智能体标记为任务型智能体，分别发消息给每个任务型智能体，消息内容为蚁群算法所需要的参数；S5、每个任务型智能体利用土地利用变化样本数据集，采用蚁群算法完成对于土地利用转化规则的挖掘，得到土地转换预测类型；S6、主智能体接收每个任务型智能体的完成消息，给出各样本权值，各样本权值的初始值相等；S7、每个任务型智能体根据各样本权值，对各自得到的土地转换预测类型计算错误率，并发送给主智能体；S8、主智能体进行本轮协商，选出错误率最低、且错误率小于预设错误率的一个任务型智能体，作为候选智能体，根据该候选智能体的错误率计算其决策权；若错误率最低的任务型智能体的错误率大于或等于预设错误率，则排除所有剩余任务型智能体；S9、主智能体根据本轮协商选出的候选智能体的决策权和预设规则集调整样本权值，由剩余的任务型智能体重复步骤S7和S8，直至所有任务型智能体均成为候选智能体，或所有剩余任务型智能体均被排除，协商结束；S10、最终预测：将所有候选智能体按其得到的土地转换预测类型分组，对相同的土地转换预测类型对应的候选智能体的决策权进行求和，得到每种土地转换预测类型的决策权和，选取决策权和最大的土地转换预测类型，作为最终的预测类型。按上述方法，所述的S7中错误率的计算方法如下：epi=Σt:Vpsamplet!=Rsampletnwisamplet]]>式中：epi代表第i轮第p个任务型智能体的错误率，代表第p个任务型智能体对于第t个样本的土地转换预测类型，Rsamplet代表第t个样本的真实转换类型。按上述方法，所述的S8决策权的计算方法如下：ap=log1-epiepi]]>式中，epi代表第i轮第p个任务型智能体的错误率，ap为第p个任务型智能体的决策权。按上述方法，所述的S9根据本轮选出的候选智能体的决策权和预设规则集调整样本权值的方法如下：papsamplet=1Vsamplet=Rsamplet-1Vsamplet!=Rsamplet,]]>wi+1samplet=wisampletΣt=1nwisampletexp(-1*appapsamplet)exp(-1*appapsamplet)]]>式中，ap为第p个任务型智能体的决策权，代表是否预测正确，1代表正确，-1代表错误，为第i轮协商第t个样本的样本权值，为第i+1轮协商第t个样本的样本权值。本发明的有益效果为：为了弥补在土地转换预测领域中，蚁群算法挖掘得出的土地转换预测精度比较低的不足，本发明将多智能体与蚁群算法进行结合，依据样本集并预设规则集，基于不断调整样本权值的方法，将多个单蚁群的随机性进行加权式组合，定量化表达多智能体协商与决策过程，从而提高其最终土地转换预测的精度。附图说明图1为本发明一实施例的流程图。具体实施方式下面结合具体实例和附图对本发明做进一步说明。本发明提供一种基于多智能体和蚁群算法的面向对象遥感分类方法，如图1所示，它包括以下步骤：S1、样本数据集的构建：收集至少2期研究区域的遥感影像数据，并基于该遥感影像数据进行数据矢量化，制作城市土地利用分类数据，构建土地利用变化样本数据集。S2、初始化主智能体和子智能体，主智能体发布进行土地利用变化转化规则挖掘的任务。S3、若干个子智能体根据自身能力选择是否接收主智能体的任务，并返回相应消息给主智能体。其中自身能力主要考虑的是该子智能体能否运行蚁群算法，因为在整个智能体系统当中，也许会有子智能体承担的不是土地利用转换规则挖掘的任务，而是其他任务，而这些任务并非本发明的内容，因此不进行过多阐述。S4、主智能体将接收任务的子智能体标记为任务型智能体，分别发消息给每个任务型智能体，消息内容为蚁群算法所需要的参数。发送给各任务型智能体的消息可以相同，也可以不同。S5、每个任务型智能体利用土地利用变化样本数据集，采用蚁群算法完成对于土地利用转化规则的挖掘，得到土地转换预测类型。由于蚁群算法是一个常规算法，因此在此不复述具体的挖掘步骤。S6、主智能体接收每个任务型智能体的完成消息，给出各样本权值，各样本权值的初始值相等。wisamplet为第i轮协商第t个样本的样本权值，当i＝0，各样本权值均等，所有样本权值之和等于1，i代表协商的轮数。S7、每个任务型智能体根据各样本权值，对各自得到的土地转换预测类型计算错误率，并发送给主智能体；错误率的计算方法如下：epi=Σt:Vpsamplet!=Rsampletnwisamplet]]>式中：epi代表第i轮第p个任务型智能体的错误率，代表第p个任务型智能体对于第t个样本的土地转换预测类型，Rsamplet代表第t个样本的真实转换类型。S8、主智能体进行本轮协商，选出错误率最低、且错误率小于预设错误率(本实施例中预设错误率为0.5，也可根据精度要求自行设定，通常该预设错误率应当小于或等于0.5)的一个任务型智能体，作为候选智能体，根据该候选智能体的错误率计算其决策权；若错误率最低的任务型智能体的错误率大于或等于预设错误率，则排除所有剩余任务型智能体；决策权的计算方法如下：ap=log1-epiepi]]>式中，epi代表第i轮第p个任务型智能体的错误率，ap为第p个任务型智能体的决策权。S9、主智能体根据本轮协商选出的候选智能体的决策权和预设规则集调整样本权值，由剩余的任务型智能体重复步骤S7和S8，直至所有任务型智能体均成为候选智能体，或所有剩余任务型智能体均被排除，协商结束；根据本轮选出的候选智能体的决策权和预设规则集调整样本权值的方法如下：papsamplet=1Vsamplet=Rsamplet-1Vsamplet!=Rsamplet]]>wi+1samplet=wisampletΣt=1nwisampletexp(-1*appapsamplet)exp(-1*appapsamplet)]]>式中，ap为第p个任务型智能体的决策权，代表是否预测正确，1代表正确，-1代表错误，为第i轮协商第t个样本的样本权值，为第i+1轮协商第t个样本的样本权值。所述的预设规则集是通过蚁群算法挖掘而得到，用于判断的预测。S10、最终预测：将所有候选智能体按其得到的土地转换预测类型分组，对相同的土地转换预测类型对应的候选智能体的决策权进行求和，得到每种土地转换预测类型的决策权和，选取决策权和最大的土地转换预测类型，作为最终的预测类型。以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。