论文部分内容阅读
支持向量机(SVM)是一种基于统计学习理论的机器学习方法。由于SVM在解决小样本、高维度以及非线性等问题上有着独特的优势,被广泛应用于人脸识别、文本分类以及图像处理等领域。当使用SVM处理分类问题时,SVM参数的选取对分类结果产生很大的影响,因此优化SVM参数是应用SVM的主要研究方向。粒子群算法(PSO)具有算法简单,容易实现以及收敛速度快等优点,近年来被很多学者用来优化SVM参数。但是,粒子群算法存在着早熟收敛、易陷入局部最优以及分类精度低等缺点。针对这些问题,本文重点研究基于改进粒子群算法的SVM参数优化问题。论文的具体工作如下:(1)采用了一种自适应粒子群算法(WPSO)。本文采用自适应权重代替原始的惯性权重,将每个粒子的权重根据其适应度值的大小进行动态调整,从而平衡粒子的全局最优能力和局部最优能力;在自适应权重的基础上,采用自适应变异优化粒子群算法,赋予部分粒子一定的变异概率,将部分粒子的群体极值进行变异,从而增强种群多样性。(2)采用了一种引入模拟退火机制的粒子群算法(SAPSO)。在速度更新公式中,对粒子的自身认知部分和社会认知部分进行动态调整。将当前粒子的适应度值与群体极值进行比较,若当前粒子优于群体最优,则接受当前粒子为群体最优;反之,则根据轮盘赌策略,以一定的概率接受当前粒子为群体最优,使得粒子能够跳出局部最优解,达到全局最优。(3)基于改进的粒子群算法建立SVM分类模型,即得到自适应粒子群算法优化的SVM(WPSO-SVM)与引入模拟退火机制的粒子群算法优化的SVM(SAPSO-SVM)。本文将WPSO-SVM算法和SAPSO-SVM算法应用于遥感图像分类,选取江苏科技大学遥感图像以及Pavia U遥感数据集作为实验数据,分别使用SVM算法、GA-SVM算法、ACO-SVM算法、PSO-SVM算法与所提出的WPSO-SVM算法和SAPSO-SVM算法进行实验,利用分类混淆矩阵、总体分类精度以及Kappa系数对遥感图像的分类精度进行比较分析。实验结果表明,WPSO-SVM算法和SAPSO-SVM算法更容易提取地物特征,提高了遥感图像的分类精度。