Tent-PSO-SVM方法实施流程

基于改进Tent映射的PSO算法用于高光谱影像SVM分类中，特征波段的选取方法是通过迭代计算实现的，具体步骤如下所述。具体实现的流程框图如图8.1所示。

1）高光谱影像归一化处理；

2）根据式（8.6）、式（8.7）初始化粒子群，并进行PSO剩余参数设置，包括：惯性因子、学习因子、粒子群包含的粒子数、速度范围与最大迭代次数；

3）计算粒子适应度值，是通过调用LIBSVM工具箱计算每个粒子的适应度值；

4）判断粒子的适应度值是否满足迭代终止条件（达到迭代最大次数或者PSO收敛），如果满足则跳到第5）步。如果不满足，则判断适应度值是否满足Tent映射条件，如果满足则对粒子速度进行Tent映射来间接改变粒子位置，否则再进行个体粒子最优和群体粒子最优更新，然后转入第3）步；

5）输出结果。

图8.1 基于Tent－PSO－SVM分类的最优波段选取图

高光谱遥感对地物光谱特征进行了细致的刻画，提高了地物识别的可靠性，但是随着光谱维数增加也带来了大量冗余数据，给高光谱数据处理与信息识别等增添了负担，同时也会影响地物识别的精度，故地物识别时对高光谱数据进行降维、选取特征波段就显得非常重要。支持向量机（Support Vector Machine，SVM）是一种机器学习算法，由美国贝尔实验室Vapnik针对分类和回归问题，为适合小样本学习问题首先提出来的（Vapnik，1995），SVM具有很好的泛化能力，并在一定程度上克服了机器学习的维数灾难。近年来，SVM以及基于其他算法改进的SVM用于高光谱影像的分类得到了广泛应用，并取得了很好的分类精度（Melgani et al.，2004；李祖传等，2011）。但针对高光谱数据冗余性，粒子群优化（Particle Swarm Optimization，PSO）算法在寻找最优特征波段组合与进一步提高SVM分类精度方面具有较好的优势。

PSO算法是一种通过个体与群体之间的协作来寻找最优解的机器学习算法，具有自适应，自组织以及快速得到最优解的能力。PSO算法首先由Kennedy和Eberhart提出来的，后来为了使PSO有更广泛的应用范围，他们又提出了二进制PSO算法（Kennedy et al.，1995，1997；Khanesar et al.，2007；张浩等，2008）。自从PSO算法提出以来，该算法已经在各个研究领域得到了广泛的关注。在高光谱遥感应用方面，Monteiro和Kosugi（2007）提出基于PSO的高光谱影像最佳波段组合和最佳波段数的选取方法，并通过实验和传统波段选取方法相比较，证明了基于PSO进行特征波段选取的优越性。丁胜等（2010）提出一种PSO－BSSVM分类模型，用于高光谱影像特征波段的选取以及对SVM的参数寻优，通过和其他方法的实验比较得出该模型可以提高分类精度。李林宜和李德仁（2011）也在模糊特征的选取中也用了PSO算法。总之PSO在高光谱影像分类的特征波段选取中应用比较成功，但由于PSO容易早熟，陷入局部最优，所以针对这点以及为获得更高的SVM分类精度，对PSO加以改进是非常有意义的。Tent映射是混沌理论中典型的混沌映射例子，Tent映射具有随机性和遍历性，所以把Tent映射加入PSO可以对PSO算法容易陷入局部最优的状况进行改善。本章就主要通过改进Tent映射后运用于二进制PSO算法进行寻优，寻找高光谱影像SVM分类的最优特征波段组合。