人工蜂群算法优化的SVM遥感影像分类

编号 zgly0001640108

文献类型 期刊论文

文献题名 人工蜂群算法优化的SVM遥感影像分类

作者 李楠  朱秀芳  潘耀忠  詹培 

作者单位 北京师范大学地表过程与资源生态国家重点实验室  北京师范大学遥感科学与工程研究院  北京师范大学地理科学学部 

母体文献 遥感学报 

年卷期 2018年04期

年份 2018 

分类号 TP18  TP751 

关键词 人工蜂群算法  支持向量机SVM  遥感影像  分类 

文摘内容 SVM分类器的参数设定对分类精度有着显著的影响,针对现有人工智能算法优化参数易陷入局部最优的现状,提出了一种基于人工蜂群算法改进SVM参数的遥感分类方法(ABC-SVM)。该方法模仿蜜蜂采蜜的行为,以训练样本的交叉验证精度代表蜜源的丰富程度,通过蜂群的分工协作搜索出最优蜜源(即SVM分类器最优参数),最终利用参数优化后的SVM分类器实现遥感影像的分类。本文先后比较了3种人工智能算法(包括人工蜂群算法优化的SVM(ABC-SVM)、遗传算法GA(Genetic Algorithm)优化的SVM(GA-SVM)、粒子群算法PSO(Practical Swarm Optimization)优化的SVM(PSO-SVM))在UCI标准数据集上的分类精度和效率,以及3种人工智能算法优化的SVM算法与未经优化参数的SVM算法在遥感影像上分类的差异。结果显示:(1)在利用UCI数据集测试3种人工智能算法优化的SVM算法的结果中,ABC-SVM显示出更高的分类精度、更高的适应度和更快的收敛速度;(2)在利用遥感影像验证4种分类算法精度的结果中,人工智能算法优化后的SVM比未经参数优化的SVM算法的分类精度更高;其中,ABC-SVM分类精度最高,分别比遗传算法、粒子群算法的结果高1.67%、1.50%。