La idea del mapeo Tent y el algoritmo PSO utilizados en la optimización de la banda
La teledetección hiperespectral ha descrito cuidadosamente las características espectrales de los objetos terrestres, mejorando la confiabilidad de la identificación de objetos terrestres. Sin embargo, a medida que aumenta la dimensión espectral, también aporta una gran cantidad de datos redundantes, lo que genera datos hiperespectrales. El procesamiento y el reconocimiento de información aumentan la carga y también afectarán la precisión del reconocimiento de objetos terrestres. Por lo tanto, es muy importante reducir la dimensionalidad de los datos hiperespectrales y seleccionar bandas características al identificar objetos terrestres. Support Vector Machine (SVM) es un algoritmo de aprendizaje automático. Fue propuesto por primera vez por Vapnik de Bell Labs en los Estados Unidos para problemas de clasificación y regresión y es adecuado para problemas de aprendizaje de muestras pequeñas (Vapnik, 1995 tiene un buen rendimiento). Y superar la maldición de la dimensionalidad del aprendizaje automático hasta cierto punto. En los últimos años, SVM y SVM mejorados basados en otros algoritmos se han utilizado ampliamente en la clasificación de imágenes hiperespectrales y han logrado una buena precisión de clasificación (Melgani et al., 2004; Li Zuchuan et al., 2011). Sin embargo, para la redundancia de datos hiperespectrales, el algoritmo de optimización de enjambre de partículas (PSO) tiene buenas ventajas para encontrar la combinación óptima de bandas de características y mejorar aún más la precisión de la clasificación SVM.
El algoritmo PSO es un algoritmo de aprendizaje automático que encuentra soluciones óptimas a través de la colaboración entre individuos y grupos. Tiene la capacidad de adaptarse, autoorganizarse y obtener rápidamente soluciones óptimas. El algoritmo PSO fue propuesto por primera vez por Kennedy y Eberhart. Posteriormente, para que PSO tenga un rango de aplicación más amplio, propusieron el algoritmo PSO binario (Kennedy et al., 1995, 1997; Khanesar et al., 2007; Zhang Hao et. otros, 2008). Desde que se propuso el algoritmo PSO, ha recibido amplia atención en diversos campos de investigación. En términos de aplicaciones de teledetección hiperespectral, Monteiro y Kosugi (2007) propusieron un método para seleccionar la mejor combinación de bandas y el mejor número de bandas para imágenes hiperespectrales basadas en PSO, y compararon experimentos con métodos tradicionales de selección de bandas, demostrando que los basados en PSO extracción de características Ventajas de la selección de bandas. Ding Sheng et al. (2010) propusieron un modelo de clasificación PSO-BSSVM para seleccionar bandas características de imágenes hiperespectrales y optimizar los parámetros SVM, mediante comparación experimental con otros métodos, se concluyó que este modelo puede mejorar la precisión de la clasificación. Li Linyi y Li Deren (2011) también utilizaron el algoritmo PSO en la selección de características difusas. En resumen, PSO se ha utilizado con éxito en la selección de bandas de características para la clasificación de imágenes hiperespectrales. Sin embargo, debido a que PSO es propenso a una maduración prematura y cae en óptimos locales, es muy significativo mejorar PSO para este punto y obtener una clasificación SVM más alta. exactitud. . El mapeo de tiendas es un ejemplo típico de mapeo caótico en la teoría del caos. El mapeo de tiendas tiene aleatoriedad y ergodicidad, por lo que agregar el mapeo de tiendas a PSO puede mejorar la situación en la que el algoritmo de PSO cae fácilmente en la optimización local. Este capítulo busca principalmente la combinación óptima de bandas de características para la clasificación SVM de imágenes hiperespectrales mejorando el mapeo Tent y aplicándolo al algoritmo binario PSO.