基于人工蜂群优化支持向量机的遥感地球化学反演方法
文献发布时间:2024-04-18 19:58:26
技术领域
本发明涉及地球化学勘探技术领域,更具体的说是涉及一种基于人工蜂群优化支持向量机的遥感地球化学反演方法。
背景技术
现有基于支持向量机的遥感地球化学反演方法具有泛化能力强、鲁棒性好等优点,但其在解决高维问题、多目标优化问题方面依然存在求解效果不理想等缺陷。
因此如何提供一种求解效果更好的遥感地球化学反演方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明的目的是提供一种基于人工蜂群优化支持向量机的遥感地球化学反演方法,其在解决高维问题、多目标优化问题方面具有求解效果更好的优点。
为了实现上述目的,本发明采用如下技术方案:
一种基于人工蜂群优化支持向量机的遥感地球化学反演方法,包括以下步骤:
S1:获取遥感图像数据并对所述遥感图像数据进行预处理;
S2:将地球化学数据与预处理后的遥感图像数据进行统一坐标处理,并将带有坐标的地球化学数据投影到遥感图像数据上,以获得训练数据;
S3:对所述训练数据进行特征提取并构建支持向量机模型;
S4:基于所述训练数据和提取的特征对所述支持向量机模型进行训练,以获得初步遥感地球化学反演模型;
S5:基于人工蜂群算法获取所述支持向量机模型的最优核参数以及最优惩罚因子,以获得最终遥感地球化学反演模型;
S6:将待反演的遥感图像数据输入到所述最终遥感地球化学反演模型中,获得反演结果。
优选的,S1中的预处理包括辐射标定、大气校正以及遥感图像数据剪裁。
优选的,S2还获得了测试数据,所述测试数据用于验证最终遥感地球化学反演模型的反演效果。
优选的,S3采用核主成分分析法进行特征提取;
优选的,S5获取最优核参数G以及最优惩罚因子C进一步包括以下步骤:
S51:初始化参数:蜜源数量NP、控制参数limit、最大迭代次数maxCycle、搜索空间上限U
优化目标设为支持向量机模型的均方差;
S52:初始化蜜源X
S53:为每一个蜜源X
计算新蜜源V
更新各个引领蜂找到的当前最优蜜源X
S54:计算各个引领蜂被跟随的概率;跟随蜂基于计算的概率选择引领蜂;
S55:各个跟随峰在搜索空间上限U
计算新蜜源Z
更新各个引领蜂找到的当前最优蜜源X
S56:基于控制参数limit判断各蜜源X
S57:侦察蜂随机产生新蜜源并计算更新最优核参数G以及最优惩罚因子C;
S58:判断是否达到最大迭代次数maxCycle,若达到则终止迭代,并输出最优核参数G以及最优惩罚因子C;否则执行S53。
优选的,S56的放弃条件为:当控制参数limit达到最大值时,引领蜂找到的最优蜜源始终为最初蜜源X
优选的,最大迭代次数maxCycle为10。
优选的,控制参数limit为100。
优选的,搜索空间上限U
优选的,蜜源数量NP为2。
经由上述的技术方案可知,与现有技术相比,本发明公开了一种基于人工蜂群优化支持向量机的遥感地球化学反演方法,其在解决高维问题、多目标优化问题方面具有求解效果更好的优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明提供的基于人工蜂群优化支持向量机的遥感地球化学反演方法的整体流程图;
图2为本发明人工蜂群算法获取最优核参数以及最优惩罚因子的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示:本发明实施例公开了一种基于人工蜂群优化支持向量机的遥感地球化学反演方法,包括以下步骤:
S1:获取遥感图像数据并对所述遥感图像数据进行预处理;
进一步的,S1中的预处理包括辐射标定、大气校正以及遥感图像数据剪裁。
S2:将地球化学数据与预处理后的遥感图像数据进行统一坐标处理,并将带有坐标的地球化学数据投影到遥感图像数据上,以获得训练数据;
S3:对所述训练数据进行特征提取并构建支持向量机模型;
进一步的,S3采用核主成分分析法进行特征提取,以达到降维、去除冗余的目的。
S4:基于所述训练数据和提取的特征对所述支持向量机模型进行训练,以获得初步遥感地球化学反演模型;
S5:基于人工蜂群算法获取所述支持向量机模型的最优核参数以及最优惩罚因子,以获得最终遥感地球化学反演模型;
进一步的,如图2所示,S5获取最优核参数G以及最优惩罚因子C进一步包括以下步骤:
S51:初始化参数:蜜源数量NP=2、控制参数limit=100、最大迭代次数maxCycle=10、搜索空间上限U
优化目标设为支持向量机模型的均方差;
S52:初始化蜜源X
S53:为每一个蜜源X
计算新蜜源V
更新各个引领蜂找到的当前最优蜜源X
S54:计算各个引领蜂被跟随的概率;跟随蜂基于计算的概率选择引领蜂;
S55:各个跟随峰在搜索空间上限U
计算新蜜源Z
更新各个引领蜂找到的当前最优蜜源X
S56:基于控制参数limit判断各蜜源X
进一步的,放弃条件为:当控制参数limit达到最大值时,引领蜂找到的最优蜜源始终为最初蜜源X
S57:侦察蜂随机产生新蜜源并计算更新最优核参数G以及最优惩罚因子C;
S58:判断是否达到最大迭代次数maxCycle,若达到则终止迭代,并输出最优核参数G以及最优惩罚因子C;否则执行S53。
S6:将待反演的遥感图像数据输入到所述最终遥感地球化学反演模型中,获得反演结果。
进一步的,S2还获得了测试数据,所述测试数据用于验证最终遥感地球化学反演模型的反演效果;所述测试数据和训练数据的比例为3:7。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
- 基于禁忌与人工蜂群双向优化支持向量机的入侵检测方法
- 基于禁忌与人工蜂群双向优化支持向量机的入侵检测方法