于夢馨 劉波,2,3 湯恩生

?

改進(jìn)粒子群算法優(yōu)化SVM參數(shù)的遙感圖像分類

于夢馨1劉波1,2,3湯恩生4

（1 湖南農(nóng)業(yè)大學(xué)信息科學(xué)技術(shù)學(xué)院，長沙 410128）（2 邵陽學(xué)院湘西南農(nóng)村信息化服務(wù)湖南省重點(diǎn)實(shí)驗(yàn)室，邵陽 422000）（3 湖南省農(nóng)村農(nóng)業(yè)信息化工程技術(shù)研究中心，長沙 410128）（4 中國空間技術(shù)研究院，北京 100094）

文章使用支持向量機(jī)（SVM）分類算法，結(jié)合當(dāng)下應(yīng)用較為廣泛的智能優(yōu)化算法，對(duì)SVM的參數(shù)進(jìn)行優(yōu)化選取，以期能夠提高遙感圖像的分類精度。針對(duì)粒子群算法（PSO）優(yōu)化SVM分類器參數(shù)時(shí)，存在著容易早熟收斂、分類精度相對(duì)較低、容易陷入局部最優(yōu)解的問題，提出了一種以自適應(yīng)權(quán)重粒子群算法（SAPSO）為基礎(chǔ)，引入遺傳算法交叉算子的混合優(yōu)化算法（SAPSO-GA），利用這種改進(jìn)的算法優(yōu)化SVM參數(shù)對(duì)遙感圖像進(jìn)行分類。文章以一景Quick Bird衛(wèi)星遙感影像為例，對(duì)影像進(jìn)行圖像融合等預(yù)處理，然后分別使用PSO-SVM算法和SAPSO-GA-SVM算法進(jìn)行土地利用分類，比較分析兩種算法的分類精度，結(jié)果表明，改進(jìn)的算法提高了粒子群算法的搜索性能，能夠?qū)ふ腋裇VM分類器參數(shù)，獲得較高的分類精度。

支持向量機(jī) 粒子群算法 遺傳算法 遙感圖像分類

0 引言

近30年來，遙感技術(shù)及其應(yīng)用發(fā)展迅速，遙感影像憑借廣闊的覆蓋度、迅速的時(shí)效性和較高水平的經(jīng)濟(jì)效益等特點(diǎn)，已經(jīng)在多個(gè)領(lǐng)域得到了廣泛的應(yīng)用，如氣象、環(huán)境、國土規(guī)劃等，并且成為人們獲得有效數(shù)據(jù)和信息的重要來源之一。對(duì)這些海量遙感影像數(shù)據(jù)進(jìn)行分類識(shí)別，來獲得更準(zhǔn)確、更高分類精度的地物信息，已經(jīng)成為一個(gè)迫切需要解決的問題[1-3]。目前國內(nèi)外學(xué)者將一系列的機(jī)器學(xué)習(xí)算法應(yīng)用于遙感圖像的分類研究，如決策樹、人工神經(jīng)網(wǎng)絡(luò)、K-means等。理論上，這些機(jī)器學(xué)習(xí)算法想要獲得比較高的分類精度，其所選的訓(xùn)練樣本數(shù)量必須足夠多，而對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行標(biāo)注需要耗費(fèi)大量的人力物力和時(shí)間成本[4]；在一些實(shí)際應(yīng)用中很難保證選取足夠的訓(xùn)練數(shù)據(jù)，使這些算法具有一定的局限性。而支持向量機(jī)（SVM）分類算法具有小樣本、非線性以及高維模式識(shí)別的特點(diǎn)，相比于其他機(jī)器學(xué)習(xí)算法具有獨(dú)特的優(yōu)勢，使其在手寫識(shí)別、圖像分類，語言識(shí)別等諸多分類研究領(lǐng)域中得到了廣泛的應(yīng)用[5]。研究表明，使用徑向基核函數(shù)（RBF）的SVM的分類精度受核參數(shù)和懲罰因子的影響較大，和共同影響著支持向量機(jī)對(duì)測試集的分類精度以及推廣能力，決定了樣本特征子空間分布的復(fù)雜程度，而通過對(duì)錯(cuò)分率的控制來影響SVM的推廣能力[6]，不恰當(dāng)?shù)膮?shù)的選擇，會(huì)導(dǎo)致SVM分類精度的下降。因此，SVM的參數(shù)優(yōu)化是很多學(xué)者一直關(guān)注的問題[7]。為了尋找最佳的SVM分類器參數(shù)，減少分類時(shí)間，提高分類精度，文獻(xiàn)[8-10]使用粒子群（Particle Swarm Optimization，PSO）算法對(duì)SVM參數(shù)進(jìn)行尋優(yōu)，文獻(xiàn)[11-12]應(yīng)用遺傳算法（Genetic Algorithm，GA）對(duì)進(jìn)行尋優(yōu)，文獻(xiàn)[13]提出了雙重變異粒子群算法，以期尋找更佳的參數(shù)組合。本文在前人的研究基礎(chǔ)上，提出了一種以自適應(yīng)權(quán)重粒子群算法為基礎(chǔ)，融合遺傳優(yōu)化算法交叉思想的混合尋優(yōu)算法，用于SVM分類器參數(shù)的尋優(yōu)，提高遙感影像的分類精度。

1 SVM和PSO原理

1.1 SVM基本原理

支持向量機(jī)是由Vapnik首先提出的，它的分類原理是有限的樣本特征值在分類模型的復(fù)雜性和自學(xué)習(xí)能力之間尋找最佳的平衡點(diǎn)，使目標(biāo)函數(shù)達(dá)到最佳泛化能力[14]。傳統(tǒng)的學(xué)習(xí)算法，如人工神經(jīng)網(wǎng)絡(luò)，只考慮分類器對(duì)訓(xùn)練樣本的擬合情況，容易出現(xiàn)過度擬合的情況，導(dǎo)致其推廣能力降低。SVM以結(jié)構(gòu)化風(fēng)險(xiǎn)最小化為原則，它將樣本數(shù)據(jù)映射到一個(gè)高維的空間里，并在其中尋找且建立一個(gè)最大分類間隔的超平面作為決策曲面，在決策曲面的兩邊建立兩個(gè)平行的超平面1、2，1與2的間距越大，SVM分類器的誤差越小[15]。圖1為SVM分類示意。1，2上的樣本為支持向量，所以尋找最優(yōu)分類超平面的問題可以轉(zhuǎn)化成優(yōu)化模型[15-17]

式中 為第i個(gè)樣本的特征和類別標(biāo)簽；w為分類超平面的法向量，為分界面到支持向量的寬度，值越大，則分界面寬度越??；為從低維空間向高維空間的映射；b為偏差項(xiàng)；c為懲罰因子；是為解決不可分問題而引入的松弛項(xiàng)。

徑向基核函數(shù)的表達(dá)式為

核參數(shù)的取值對(duì)分類精度的影響較大。而懲罰因子則通過對(duì)錯(cuò)分率的控制來影響SVM的推廣能力，如果懲罰因子取一個(gè)相對(duì)較大的值，則訓(xùn)練樣本的擬合程度較高，SVM分類器的推廣能力較弱。從式（2）中可以看出，函數(shù)與和無關(guān)，僅為的函數(shù)，先求解進(jìn)而就可以求得和，最后確定最優(yōu)分類超平面。

1.2 粒子群算法的基本原理

粒子群算法（PSO）是一種智能優(yōu)化算法[18]，在1995年，由Eberhart博士和kennedy博士通過對(duì)鳥類捕食行為的研究而提出的。在粒子群算法中，個(gè)體被稱為“粒子”，在一個(gè)維搜索空間中，設(shè)X=（x1，x2，，x），V=（v1，v2，…，v，在每一次迭代中，粒子通過跟蹤個(gè)體極值（best）和群體極值（best）來更新自身的速度和位置，個(gè)體極值（best）即粒子本身找到的最優(yōu)解，P=（p1，p2，…，p）；群體極值（best）即整個(gè)種群中所找到的最優(yōu)解，P=（p1，p2，…，p）；粒子更新自身速度和位置為

式中為慣性權(quán)重；v為粒子的速度；x為粒子位置；為迭代尋優(yōu)的次數(shù)；1、2為分布在0到1之間的隨機(jī)數(shù)；1、2為學(xué)習(xí)因子；P為個(gè)體最優(yōu)解；P為種群最優(yōu)解[15]。

PSO是根據(jù)自己的速度來決定搜索，它保留了基于種群粒子的全局搜索方法，使用速度—位移模型。該算法容易實(shí)現(xiàn)，參數(shù)少，避免了遺傳算法交叉、變異的復(fù)雜操作。

2 改進(jìn)的粒子群優(yōu)化算法

2.1 改進(jìn)慣性權(quán)重的粒子群優(yōu)化算法

集合PSO和GA兩種算法的優(yōu)點(diǎn)，本文提出一種以自適應(yīng)權(quán)重粒子群算法（SAPSO）為基礎(chǔ)，引入遺傳算法（GA）交叉算子的混合尋優(yōu)算法，以此來提高粒子群算法的搜索性能。首先，將標(biāo)準(zhǔn)粒子群算法中的慣性權(quán)重進(jìn)行改進(jìn)，采用一種非線性的動(dòng)態(tài)慣性權(quán)重系數(shù)公式，來平衡粒子群算法的全局和局部搜索能力[15]

式中為粒子當(dāng)前的目標(biāo)函數(shù)值；avg和min分別為當(dāng)前所有粒子的平均值和最小值。

慣性權(quán)重描述的是粒子的當(dāng)前速度受先前速度的影響，當(dāng)取值較大時(shí)，粒子的前一速度影響較大，有利于全局搜索；當(dāng)取值較小時(shí)，粒子前一速度影響較小，此時(shí)更有利于后期局部搜索。通過調(diào)節(jié)慣性權(quán)重的取值來跳出局部極小值。的值隨著粒子目標(biāo)函數(shù)值的改變而改變，所以稱為自適應(yīng)權(quán)重。

2.2 引入遺傳交叉算子的粒子群優(yōu)化算法

在遺傳算法中，交叉和變異是最主要的兩個(gè)操作步驟，它們完成了由父代到子代個(gè)體間的信息傳遞，保證了個(gè)體的優(yōu)化進(jìn)程[19]，所以本文擬將遺傳算法中的交叉思想與粒子群算法相結(jié)合，增加種群粒子的多樣性，改善粒子群算法容易早熟收斂，陷入局部最優(yōu)解的問題。在本文改進(jìn)的算法中，交叉的具體思想為：在每一次迭代中，把粒子的適應(yīng)度值按從大到小進(jìn)行排序，粒子的適應(yīng)度值越大，其適應(yīng)性就越好，本文的適應(yīng)度函數(shù)為3-fold交叉驗(yàn)證下分類準(zhǔn)確率的平均值。首先選取適應(yīng)度值較高的粒子直接進(jìn)入下一代，以保證下一代粒子相對(duì)較優(yōu)；同時(shí)把適應(yīng)度值較高的前一半粒子的位置和速度賦給適應(yīng)度值較低的后一半粒子，這部分粒子進(jìn)行兩兩隨機(jī)交叉，然后產(chǎn)生相同數(shù)目的子代粒子，并由子代粒子替換父代粒子；其中子代粒子的位置、速度的計(jì)算為

式中為0到1之間的隨機(jī)數(shù)；parent1（），parent2（）為兩個(gè)不同的父代粒子的速度；parent1（），parent2（）為兩個(gè)不同的父代粒子的位置；這樣既利用了PSO算法的快速收斂能力，還可以通過GA算法的交叉步驟產(chǎn)生新粒子，增加粒子的多樣性，跳出局部最優(yōu)。改進(jìn)粒子群算法（SAPSO-GA）具體步驟如下：

1）初始化相關(guān)參數(shù)以及種群粒子的速度，計(jì)算粒子的初始適應(yīng)度值。

2）尋找初始極值，根據(jù)初始粒子的適應(yīng)度值確定個(gè)體極值best和群體極值best。

3）根據(jù)式（6）更新慣性權(quán)重；根據(jù)式（4）、（5）更新粒子的速度和位置。

4）計(jì)算每個(gè)粒子當(dāng)前位置的適應(yīng)度值；把粒子的適應(yīng)度值按照從大到小進(jìn)行排序，選取適應(yīng)度值較高的前一半粒子直接進(jìn)入下一代，并將速度和位置賦給適應(yīng)度值較低的后一半粒子，這部分粒子進(jìn)行兩兩隨機(jī)交叉，產(chǎn)生相同數(shù)目的粒子，并由子代粒子替換親代粒子。

5）根據(jù)新粒子的適應(yīng)度值更新個(gè)體極值best和群體極值best。

6）若滿足停止條件或超過最大迭代次數(shù)，則輸出最優(yōu)解；否則跳轉(zhuǎn)至步驟（3）繼續(xù)搜索。

圖2為本文改進(jìn)算法的技術(shù)流程圖。

3 改進(jìn)粒子群算法優(yōu)化SVM參數(shù)在遙感圖像分類中的應(yīng)用

3.1 算法驗(yàn)證

為了驗(yàn)證本文提出的改進(jìn)算法的分類性能，使用UCI數(shù)據(jù)庫中著名的Iris數(shù)據(jù)集對(duì)算法進(jìn)行驗(yàn)證[15]，Iris數(shù)據(jù)集共有150個(gè)樣本，有Setosa、Versicolor和Virginica三個(gè)類別，從每個(gè)類別中隨機(jī)抽取30組試驗(yàn)數(shù)據(jù)作為訓(xùn)練集，剩下的數(shù)據(jù)作為測試集，分別用PSO-SVM和本文改進(jìn)的算法SAPSO-GA-SVM進(jìn)行試驗(yàn)（其中進(jìn)化代次數(shù)為200，種群數(shù)目為10，的范圍為0.1~100，的范圍為0.01~10，學(xué)習(xí)因子1=1.5，2=1.7，慣性權(quán)重max=0.9，min=0.4，），得到試驗(yàn)結(jié)果見表1。

表1 Iris試驗(yàn)結(jié)果

Tab.1 Iris experimental result

試驗(yàn)結(jié)果表明本文改進(jìn)的算法的分類精度優(yōu)于PSO-SVM，改進(jìn)的算法可糾正4個(gè)錯(cuò)分樣本，分類精度提高了2.67%。

3.2 遙感圖像分類

本文選取1幅Quick Bird高分辨率衛(wèi)星影像數(shù)據(jù)，分別利用PSO-SVM和SAPSO-GA-SVM兩種方法對(duì)研究區(qū)進(jìn)行土地利用分類試驗(yàn)。本文所選研究區(qū)大小是560像素×560像素。首先對(duì)影像進(jìn)行相關(guān)預(yù)處理，然后采用 ENVI 軟件中NNDiffuse Pan Sharpening方法將全色波段與多光譜波段進(jìn)行融合，融合得到的為新的樣本數(shù)據(jù)。選取影像一角，融合效果比較如圖3所示。

本文通過遙感影像的目視解譯，對(duì)研究區(qū)建立植被、裸地、道路、水域、建筑陰影共6個(gè)類別的分類樣本，樣本數(shù)共2 240個(gè)。對(duì)數(shù)據(jù)進(jìn)行歸一化處理，利用3-fold交叉驗(yàn)證法進(jìn)行分類器訓(xùn)練及驗(yàn)證，即將訓(xùn)練數(shù)據(jù)集分為幾部分去訓(xùn)練分類器并同時(shí)驗(yàn)證它，目的是在驗(yàn)證過程中實(shí)現(xiàn)最優(yōu)的分類精度[20]。本文算法的具體參數(shù)設(shè)置如下，種群數(shù)目為20，的范圍為0.1～100，的范圍為0.01～10，學(xué)習(xí)因子1=1.9，2=2，慣性權(quán)重取最大值max=0.9，最小值min=0.4，粒子的最大進(jìn)化代數(shù)為200次。然后分別采用PSO-SVM和SAPSO-GA-SVM對(duì)研究區(qū)進(jìn)行分類，整個(gè)分類過程在Windows10 MATLAB2016Ra的環(huán)境下實(shí)現(xiàn)。

圖3 影像融合前后比較

3.3 結(jié)果分析

評(píng)價(jià)分類結(jié)果是遙感影像分類過程中一項(xiàng)重要的工作。常用的遙感影像分類結(jié)果的精度評(píng)價(jià)方法有混淆矩陣、總體分類精度、Kappa系數(shù)等。為了驗(yàn)證本文改進(jìn)算法的有效性，用改進(jìn)算法的分類結(jié)果與PSO-SVM方法的分類結(jié)果進(jìn)行了比較。本文取多次試驗(yàn)的平均值，從表2試驗(yàn)結(jié)果分析可得，SAPSO-GA-SVM算法的分類精度要優(yōu)于PSO-SVM算法的分類精度，平均分類精度提高了5.07%。在對(duì)參數(shù)的優(yōu)化過程中，改進(jìn)算法的懲罰因子取值相對(duì)較高，即分類允許的誤差較小。時(shí)間上，改進(jìn)PSO-SVM算法運(yùn)算量略有增加，但計(jì)算簡單，搜索時(shí)間在PSO-SVM的基礎(chǔ)上略有增加。為了更直觀顯示兩種算法的分類效果，本文選取研究區(qū)中2塊局部區(qū)域進(jìn)行對(duì)比分析，其中區(qū)域1內(nèi)主要為水體和建筑，區(qū)域2為居民區(qū)，分類結(jié)果如圖4所示。

表2 分類結(jié)果

Tab.2 Classification result

圖4 分類結(jié)果

從圖4中可以看出，區(qū)域1內(nèi)，PSO-SVM算法將部分水體和陰影混淆，而改進(jìn)的算法明顯改善了水體和陰影的混淆情況，提高了影像的分類精度；區(qū)域2內(nèi)，PSO-SVM算法的分類結(jié)果稍有混亂，陰影、道路、建筑物三者有不同程度的混淆，居民區(qū)的建筑物和陰影被錯(cuò)分的像元較多，部分道路和建筑物也有混淆；而改進(jìn)的算法更好地區(qū)分了居民區(qū)的陰影和建筑物，僅有少量的建筑物和道路混淆。綜上所述，較PSO-SVM算法，SAPSO-GA-SVM算法的分類結(jié)果更加準(zhǔn)確。

4 結(jié)束語

本文針對(duì)粒子群算法（PSO）優(yōu)化SVM分類器參數(shù)時(shí)，存在著容易早熟收斂，分類精度相對(duì)較低、容易陷入局部最優(yōu)解的問題，提出了一種以自適應(yīng)權(quán)重粒子群算法（SAPSO）為基礎(chǔ)，引入遺傳算法交叉算子的混合優(yōu)化算法（SAPSO-GA），改進(jìn)算法在Windows10 MATLAB2016Ra編程實(shí)現(xiàn)，綜合了GA、PSO算法的優(yōu)點(diǎn)。通過對(duì)Iris數(shù)據(jù)集和遙感影像分類的試驗(yàn)可知，SAPSO-GA-SVM算法從整體上提高了SVM算法的分類性能，主要體現(xiàn)在以下方面：

1）通過采用非線性的動(dòng)態(tài)慣性權(quán)重系數(shù)公式，可以更好地平衡PSO算法的全局搜索能力和局部改良能力。對(duì)于適應(yīng)度值較優(yōu)的粒子，其所對(duì)應(yīng)的慣性權(quán)重系數(shù)較小，從而保護(hù)了該粒子；反之對(duì)于適應(yīng)度值較差的粒子，其所對(duì)應(yīng)的慣性權(quán)重系數(shù)較大，使得該粒子能夠向較好的搜索區(qū)域靠攏。

2）融入了GA算法的交叉思想，產(chǎn)生了新的個(gè)體，增加了粒子的多樣性，克服了標(biāo)準(zhǔn)粒子群算法在處理某些實(shí)際問題時(shí)容易陷入局部優(yōu)解的問題。

上述2個(gè)方面的改進(jìn)相輔相成，能夠快速有效地尋找最佳 SVM 分類器參數(shù)，提高SVM分類精度，試驗(yàn)結(jié)果表明，改進(jìn)的SVM 算法具有較高可行性。

[1] 李萌. 基于支持向量機(jī)的高分遙感影像分類技術(shù)研究與應(yīng)用[D]. 北京: 中國地質(zhì)大學(xué), 2015. LI Meng. A High Spatial Resolution Remote Sensing Image Classification Study Based on SVM Algorithm and Application[D]. Beijing: China University of Geosciences, 2015. (in Chinese)

[2] 劉丹. 基于支持向量機(jī)與k-means混合分類模型的多光譜遙感影像分類研究[D]. 昆明: 昆明理工大學(xué), 2013. LIU Dan. Research on Multi Spectral Remote Sensing Image Classification Based on the Hybrid Model of SVM and k-means[D]. Kunming: China Kunming University of Science and Technology, 2013. (in Chinese)

[3] 高幸. 基于SVM的圖像分類與標(biāo)注方法的研究[D]. 北京: 北京交通大學(xué), 2015. GAO Xing. Research of Image Classification and Annotation Based on SVM[D]. Beijing: China University of Geosciences, 2015. (in Chinese)

[4] 蔣韜. 基于遺傳粒子群優(yōu)化算法的遙感圖像分類方法研究與應(yīng)用[D]. 北京: 首都師范大學(xué), 2013. JIANG Tao. Research and Application of Remote Sensing Image Classification Based on Genetic Particle Swarm Optimization (PSO) Algorithm[D] . Beijing: Capital Normal University, 2015. (in Chinese)

[5] 王振武, 孫佳駿, 于忠義, 等. 基于支持向量機(jī)的遙感圖像分類研究綜述[J]. 計(jì)算機(jī)科學(xué), 2016, 43(9): 11-17. WANG Zhenwu, SUN Jiajun, YU Zhongyi, et al. Review of Remote Sensing Image Classification Based on Support Vector Machine[J]. Computer Science, 2016, 43(09): 11-17. (in Chinese)

[6] 施冬艷. 基于GA-PSO優(yōu)化分層DT-SVM混合核的遙感圖像分類研究[D]. 南京: 南京郵電大學(xué), 2014. SHI Dongyan. The Classification and Application of Remote Sensing Image Based on GA-PSO Optimization and HDT-SVM[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2014. (in Chinese)

[7] 汪海燕, 黎建輝, 楊風(fēng)雷. 支持向量機(jī)理論及算法研究綜述[J]. 計(jì)算機(jī)應(yīng)用研究, 2014, 31(5): 1281-1286. WANG Haiyan, LI Jianhui, YANG Fenglei. Overview of Support Vector Machine Analysis and Algorithm[J]. Application Research of Computers, 2014, 31(05): 1281-1286. (in Chinese)

[8] FEI Weisheng, WANG Junming, MIAO Binyu, et al. Particle Swarm Optimization-based Support Vector Machine for Forecasting Dissolved Gases Content in Power Transformer Oil[J]. Energy Conversion and Management, 2009, 50(6): 1604-1609.

[9] 余梓唐. 基于粒子群算法優(yōu)化支持向量機(jī)汽車故障診斷研究[J]. 計(jì)算機(jī)應(yīng)用研究, 2012, 29(2): 572-574. YU Zitang. Automotive Fault Diagnosis Based on SVM and Particle Swarm Algorithm[J]. Application Research of Computers, 2012, 29(2): 572-574. (in Chinese)

[10] 臧卓, 林輝, 楊敏化. 基于PSO-SVM的高光譜數(shù)據(jù)降維的可靠性研究[J]. 中國農(nóng)學(xué)通報(bào), 2011, 27(31): 47-52. ZANG Zhuo, LIN Hui, YANG Minhua. Reliability Study on Dimension Reduction of Hyperspectral Data Based on PSO-SVM Algorithm[J]. Chinese Agricultural Science Bulletin, 2011, 27(31): 47-52. (in Chinese)

[11] 劉希亮, 趙學(xué)勝, 陸鋒, 等. 基于GA-SVM的露天礦拋擲爆破拋擲率預(yù)測[J]. 煤炭學(xué)報(bào), 2012, 37(12): 1999-2005. LIU Xiliang, ZHAO Xuesheng, LU Feng, et al. A GA-SVM based Model for Throwing Rate Prediction in the Open-pit Cast Blasting[J]. Journal of China Coal Society, 2012, 37(12): 1999-2005. (in Chinese)

[12] ZHOU Jiashuai, WANG Qi, GAO Jun. An Approach for Load Balancing in Mapreduce via Dynamic Partitioning[J]. Journal of Computer Research and Development, 2013, 50(suppl): 369-377.

[13] 張軍, 王遠(yuǎn)強(qiáng), 朱新山. 改進(jìn)PSO優(yōu)化神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測[J]. 計(jì)算機(jī)工程與應(yīng)用, 2017, 53(14): 227-231. ZHANG Jun, WANG Yuanqiang, ZHU Xinshan. Short-term Prediction of Traffic Flow Based on Neural Network Optimized Improved Particle Swarm Optimization[J]. Computer Engineering and Applications, 2017, 53(14): 227-231. (in Chinese)

[14] 由佳, 張懷清, 陳永富, 等. 基于“高分四號(hào)”衛(wèi)星影像洞庭湖濕地信息提取[J]. 航天返回與遙感, 2016, 37(4): 116-122. YOU Jia, ZHANG Huaiqing, CHEN Yongfu, et al. Comparative Study of Dongting Lake Wetland Information Extraction Based on GF-4 Satellite Image[J]. Spacecraft Recovery & Remote Sensing, 2016, 37(04): 116-122. (in Chinese)

[15] 張俊紅, 劉昱, 馬文朋, 等. 基于 GAPSO-SVM 的航空發(fā)動(dòng)機(jī)典型故障診斷[J]. 天津大學(xué)學(xué)報(bào), 2012, 45(12): 1057-1061. ZHANG Junhong, LIU Yu, MA Wenpeng, et al. Typical Fault Diagnosis of Aircraft Engine Based on GAPSO-SVM[J]. Journal of Tianjin University, 2012, 45(12): 1057-1061. (in Chinese)

[16] 徐曉明. SVM參數(shù)尋優(yōu)及其在分類中的應(yīng)用[D]. 大連: 大連海事大學(xué), 2014. XU Xiaoming. SVM Parameter Optimization and Its Application in the Classification[D]. Dalian: Dalian Maritime University, 2014. (in Chinese)

[17] 廖周宇, 王鈺婷, 謝曉蘭, 等. 基于粒子群優(yōu)化的支持向量機(jī)人臉識(shí)別[J]. 計(jì)算機(jī)工程, 2017, 43(12): 248-254. LIAO Zhouyu, WANG Yuting, XIE Xiaolan, et al. Face Recognition by Support Vector Machine Based on Particle Swarm Optimization[J]. Computer Engineering, 2017, 43(12): 248-254. (in Chinese)

[18] 龔純, 王正林. 精通MATLAB最優(yōu)化計(jì)算(第3版)[M]. 北京: 電子工業(yè)出版社, 2014. GONG Chun, WANG Zhenglin. Well Versed in MATLAB Optimization Calculation (Third Edition)[M]. Beijing: Electronic Industry Press, 2014. (in Chinese)

[19] 馬永杰, 云文霞. 遺傳算法研究進(jìn)展[J]. 計(jì)算機(jī)應(yīng)用研究, 2012, 29(04): 1201-1206+1210. MA Yongjie, YUN Wenxia. Research Progress of Genetic Algorithm[J]. Application Research of Computers, 2012, 29(04): 1201-1206+1210. (in Chinese)

[20] 鄧曾, 李丹, 柯櫻海, 等. 基于改進(jìn)SVM算法的高分辨率遙感影像分類[J]. 國土資源遙感, 2016, 28(3): 12-18. DENG Zeng, LI Dan, KE Yinghai, et al. An Improved SVM Algorithm for High Spatial Resolution Remote Sensing Image Classification[J]. Remote Sensing for Land and Resources, 2016, 28(3): 12-18. (in Chinese)

（編輯：王麗霞）

Remote Sensing Image Classification Based on Improved PSO Support Vector Machine

YU Mengxin1LIU Bo1,2,3TANG Ensheng4

（1 Information Science and Technology College of Hunan Agricultural University, Changsha 410128, China）（2 Hunan Provincial Key Laboratory of Information Service in Rural of Southwestern Hunan, Shaoyang 422000, China）（3 Hunan Engineering Technology Research Center of Agricultural & Rural Information, Changsha 410128, China）（4 China Academy of Space Technology, Beijing 100094, China）

In order to improve the classification accuracy of remote sensing images, the support vector machine (SVM) classification algorithm is combined with the more widely used intelligent optimization algorithms in the paper. In optimizing the SVM classifier parameters using particle swarm optimization (PSO), serveral issues should be solved, such as premature convergence, low classification accuracy and possibility of local optimal solutions. Therefore, based on self-adaptive particle swarm optimization (SAPSO), the genetic algorithm crossover operator (SAPSO-GA) is proposed. This improved algorithm is used to optimize SVM parameters for classifying the remote sensing images. Taking a Quick Bird remote sensing image as an example，image fusion and other preprocessing are executed, and then the PSO-SVM algorithm and the SAPSO-GA-SVM algorithm are used to classify the land use. The results show that the improved PSO-SVM algorithm can effectively find the best parameters of SVM classifier, and achieve higher classification accuracy.

support vector machine; particle swarm optimization; genetic algorithm; remote sensing image classification

TP75

A

1009-8518(2018)02-0133-08

10.3969/j.issn.1009-8518.2018.02.015

2018-01-09

湘西南農(nóng)村信息化服務(wù)湖南省重點(diǎn)實(shí)驗(yàn)室開放基金課題（XAI20150326），湖南省科技廳重點(diǎn)項(xiàng)目（2015NK2145，2016NK2118），2014湖南省教育廳科研一般項(xiàng)目（14C0542），2016年度湖南農(nóng)業(yè)大學(xué)“大學(xué)生創(chuàng)新性實(shí)驗(yàn)計(jì)劃項(xiàng)目（XCX16094），湖南農(nóng)業(yè)大學(xué)團(tuán)委科技創(chuàng)新立項(xiàng)項(xiàng)目（自科類2016ZK15，2017ZK25）

于夢馨，女，1993年生, 2015年獲濱州學(xué)院地理信息系統(tǒng)專業(yè)學(xué)士學(xué)位，現(xiàn)在湖南農(nóng)業(yè)大學(xué)農(nóng)業(yè)信息工程專業(yè)攻讀碩士學(xué)位，主要研究方向?yàn)檗r(nóng)業(yè)遙感技術(shù)與農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)。E-mail：xin559817@163.com。 劉波，男，1969年生，2008年獲中南大學(xué)計(jì)算機(jī)應(yīng)用專業(yè)博士學(xué)位，研究方向?yàn)槲锫?lián)網(wǎng)技術(shù)、農(nóng)業(yè)信息化。E-mail：6633873@qq.com。