基于PSO-SVM的高光谱数据降维的可靠性研究.

中国农学通报2011,27(31):47-52

ChineseAgriculturalScienceBulletin

基于PSO-SVM的高光谱数据降维的可靠性研究

臧卓1,2，林辉2，杨敏华1

（1中南大学信息物理工程学院，长沙410083；2中南林业科技大学林业遥感信息工程研究中心，长沙410004）

摘要：PSO结合SVM算法对高光谱数据波段进行优化，每次搜索结果不一定相同，因此很多学者对此类算法的可靠性存在疑问。为了证明PSO-SVM降维算法的可靠性，利用PSO-SVM算法对杉木和马尾松的幼中成熟林的高光谱原始数据、一阶微分变换数据、对数变换数据及归一化变换数据进行降维运算，对降维后选择的波段分别利用支持向量机(SVM)、BP神经网络、Mahalanobis距离分类法、Fisher分类法及贝叶斯分类法进行分类，分类结果中，Fisher分类法的结果最好，所有的分类结果均在90%以上，SVM和BP神经网络的分类结果都保持在80%以上，贝叶斯分类法分类精度最差，所有分类结果均未超过90%，最差结果为43.75%。同时，将PSO-SVM与PCA算法进行对比分析，发现在马尾松和杉木的分类过程中PSO-SVM算法优于PCA算法。最后得出结论，PSO-SVM算法提取的特征对Fisher、SVM及BP神经网络分类法有效；当光谱数据差异非常微小时，PSO-SVM比PCA对特征的提取更有效。

关键词：高光谱；降维；分类；粒子群(PSO)；支持向量机(SVM)

中图分类号：P237文献标志码：A论文编号：2011-2365

ReliabilityStudyonDimensionZangReductionZhuoofHyperspectralDataBasedonPSO-SVMAlgorithm

1,2

(1SchoolofInfo-physicsandGeomaticsEngineering,,LinHui2Central,YangSouthMinhua1University,Changsha410083;

2ResearchCenterofForestryRemoteSensing&InformationEngineering,

CentralSouthUniversityofForestry&Technology,Changsha410004)

Abstract:data.EveryPSO,searchincombinationresultdoesnotwithnecessarilySVMalgorithms,whichisusedtooptimizethebandsofhyperspectralreliabilityofthesealgorithms.Thehyperspectradata,theincludingsame,sotheverysamplesmanyscholarsfromCunninghamiahavequestionslanceolataaboutandthePinusmethodsmassonianaLamb

selectedoffirstderivative,inlogarithmstheirthreeanddifferentnormalizationlifestagesrespectively.(adults,juveniles,Inorderinfancy),totestthewerereliabilityanalyzedofbythethenetwork,PSO-SVMbythePSO-SVMalgorithm,algorithm,andthenwhichtheoriginalweredataclassifiedandpreprocessedbySupportdataVectorwerereducedthedimensionbandbymethod.classificationTheMahalanobisresultsweredistanceasfollows:classificationtheclassificationmethod,FisheraccuracyclassificationwasthebestmethodMachine

andandBayes(SVM),classificationBPneural

methodclassificationwasthemethod;worstmoreandthanallnot80%morebySVMthanand90%BP,neuralataminimumnetwork;ofthe43.75%accuracymore

.Meanwhile,bythanBayes90%classificationbyFisher

duringthe

betweencharacteristicPSO-SVMofCunninghamia

BPbandsextractedandPCA,lanceolataandPinusmassonianaLamb,comparativeanalysisofalgorithms

byshownPSO-SVMthatPSO-SVMcouldbebetterwasbetterclassifiedthanbyPCA.FisherHence,classificationitwasthoughtmethod,thatSVMthe

http://www.77cn.com.cnparedverysmall

withdifference.PCA,thePSO-SVMcouldeffectivelyextractthespectralor基金项目：国家自然科学基金资助项目(30871962)；高等学校博士学科点专项科研基金(200805380001)；湖南省教育厅科学研究项目(09C1001)。第一作者简介：臧卓，男，1978年出生，山东人，讲师，在读博士，研究方向：林业遥感、地理信息系统和高光谱遥感。通信地址：410004中南林业科技大学林业遥感信息工程研究中心，E-mail：561062@http://www.77cn.com.cn。

收稿日期：2011-08-17，修回日期：2011-10-07。

中国农学通报http://www.77cn.com.cn

vectorKeywords:machine

hyperspectral;(SVM)dimensionreduction;classification;particleswarmoptimization(PSO);support0引言分类法[12-13]进行对比试验，用以测试PSO-SVM算法提

高光谱数据降维，即特征选择和特征提取，这是高取的波段是否可靠。

光谱图像分类识别处理过程中一个非常重要的环节，1材料与方法

特征提取的好坏直接影响到后期数据的分类或拟合的1.1试验时间、地点

效果。现阶段应用较多的主要是基于统计分析理论的野外高光谱数据采集试验分别于2010年3月、4主成分分析法[1-3](PrincipalComponentAnalysis，PCA)，月、6月、8月、9月、10月、12月及2011年3月，在湖南独立分量分析法(IndependentComponentAnalysis，省株洲市攸县黄丰桥国有林场进行。

ICA)等。但是，这2种方法在应用过程中有其自身的1.2试验材料

局限性，它们的基础都是将原有高光谱数据进行矩阵选择黄丰桥林场主要用材林树种——杉木变换，将高维数据根据一定的原则投影到低维空间(Cunninghamialanceolata)、马尾松(Pinusmassoniana中。当不同地类的高光谱数据差异非常显著时，经过Lamb)的叶片作为观测对象。

矩阵变换后差异会被放大；但是，当地类差异很小时，1.3试验方法

经过矩阵的线性变换，可能会导致部分有差异的波段1.3.1试验设计黄丰桥林场中马尾松和杉木的分布较被其他数值变化较大的波段所掩盖。因此，以上2种广，同时也是林场的主要用材林树种。因此，笔者在黄算法在宏观上的应用较好，但在树种之间的分类上，效丰桥林场选择了具有代表性的11个观察点，分别观测果就不是很理想。马尾松和杉木的幼、中、成树林的冠层高光谱数据，并

近年来，有些研究利用群体算法（如GA[4-5]、PSO[6]利用PSO-SVM算法对采集的高光谱数据进行降维，最等）结合不同的分类算法对波段进行提取[5]，并获得一后利用支持向量机(SVM)、BP神经网络、Mahalanobis些较好的分类结果。但群体算法是一种模糊算法，它距离分类法、Fisher分类法及贝叶斯分类法对降维数具有很大的不确定性，很多学者对此类算法的可靠性据进行分类，测试PSO-SVM算法的可靠性。存在疑问，即这些群体算法是否可以有效提取地类特1.3.2试验仪器ASDFieldSpecHandHeldTM地物光征，所提取的特征对其他的分类算法是否有意义。谱仪，美国ASD(analyticalspectraldevice)公司新产品，

为了解答以上2个疑问，笔者选用2010年—2011波长范围325~1075nm，光谱分辨率为3.5nm，视场年所观测的264条马尾松和杉木的高光谱数据，首先25°，重量1.2kg。

利用粒子群算法[6](ParticleSwarmOptimization，PSO)1.3.3数据采集高光谱数据采集选在距树顶端1~结合支持向量机[7-8](SupportVectorMachine，SVM)对3m，且不受阳光遮挡处。为使数据具有代表性，于高光谱波段进行选择，并将PSO-SVM算法降维后的2010年3月—2011年3月，分8次（每季度2次），每个数据分别利用支持向量机(SVM)、BP神经网络[8]、树种分别测量幼、中、成3个龄级。共采集数据264条，Mahalanobis距离分类法[9]、Fisher分类法[10-11]及贝叶斯具体见表1。

表12010—2011年数据采集列表

注：在本研究中从以上264条数据中随机选取200条作为训练集，64条作为测试集。

1. …… 此处隐藏：8530字，全部文档内容请下载后查看。喜欢就下载吧 ……