《自适应人工免疫网络用于遥感图像监督分类》由会员分享,可在线阅读,更多相关《自适应人工免疫网络用于遥感图像监督分类(30页珍藏版)》请在金锄头文库上搜索。
1、An Adaptive Artificial Immune Network for Supervised Classification of Multi- /Hyperspectral Remote Sensing Imagery自适应人工免疫网络用于遥 感图像监督分类Abstractu 基于人工免疫网络络AIN提出了一种新的有监监督AIN网络络the artificial antibody network (ABNet)用于高光谱图谱图 像分 类类u ABnet可以自适应应的得到其每一个抗体(ab)的两个属性中心向量center vector识别识别 半径recognizing radius
2、生物免疫系统统的体系结结构AISsl 克隆选择原理图l 当淋巴细胞 实现对抗原 的识别后,B 细胞被激活 并增殖复制 产生B细胞克 隆,随后克隆 细胞经历变 异过程,产生 对抗原具有 特异性的抗 体.AINuAIN假设设免疫反应应不仅仅会在抗体(ab)与抗原(ag)存在,同 时时在抗体之间间也会存在抑制反应应,这样这样 就保证证了系统统最后会维维持 一个平衡,那些具有记忆记忆 性的抗体以一个平衡的数量整个存在抗 原的空间间。其思想是把整个免疫系统看成一个由免疫细胞组成的 能够相互刺激和协调的网络用来描述免疫系统的组成、机制和功 能u 现有基于免疫网络的分类算法:AIRS分类算法、多值免疫网络
3、分类器MVINC、资源受限的人工免疫系统分类器RLCRSIAB modelv赋予AB中的每一个抗体ab两个属性:中心向量W识别半径ABNET FOR SUPERVISED CLASSIFICATION OF REMOTE SENSING IMAGESCompany LogoAB模型ABC1 ABncnc代表类个数ab.c类标ab.识别半径ab.W中心向量整个抗体集abABCABu 同理,抗原ag也有三个属性:ag.c 类标ag.r 识别标识 (1表示已识别 ,反之,0为未识别 )ag.V 特征向量uag组成抗原集AGuab.W=ab.1,.,ab.Nb uag.V=ag.1 ,., ag.Nb
4、Nb是波段个数, ab.k、 ag.k表征了向量在对应K波段的值A. Selection and Representation of the Samplesl根据一些先验信息选出期望得到分类的C个 类ROIS的训练样本座位抗原AGB. ABNet Preprocessing and Initializationl 用(2)式 对所有抗原 (训练集)进行初始化。对所有的ag.r初始化为零(为被识别)C. Training of ABNetl Step 1):每类抗原选出一个抗原agpCenter代表ag群的中心n代表未被识别的抗原数(ag.r=0)l Step 2) 克隆Cloning:agp复
5、制得到:CA=ca1,.,canml 克隆个数 nm=n n为该类训练样本的个数l Step 3) Mutation:CA变异为MU=mu1,.,munm l 变异过程为:MAXk和MINk表示k波段特征向量的最大值和最小值 N(0, 1)是0到1之间的随机值 pm可以自适应得到或者取默认值0.15l Step 4) 1.Adaptive calculation of the new artificial antibodycenter vector and recognizing radius 自适应得到抗体中心向量W和识别半径d1表征了非第k类点与k类中心的最近距离 d2表征了c类的点与c类
6、中心的最远距离l 2.计算被每个抗体识别的抗原数目mil 3.扩充抗体集 从“候选”抗体集MU中选出对应mi最大的mui作为新的抗体 abj加入抗体集,nB=nB+1l 4.用新抗体abj识别ag.r=0的抗原,更新mjl Step 5) Classification of the training samples: 判断是否已全部识别 是:进入Step 6) 否:迭代Step 1)Step 5)l Step 6) Stopping condition for the training procedure判断c类是否分完D. Classificationu 未分类样类样 本作为为抗原AG输输入
7、u 分类类: 1.抗原被识别识别 ,直接输输出属于的类类。 2.抗原没有被任何抗体识别识别 ,计计算抗原与抗体集ABC距离umi代表abi识别的抗原数ncB分类器ABC中的抗体数V. EXPERIMENTS AND ANALYSESvExperiment 1: Wuhan TM Image 6个波段、6类、取半数作为训练 集vExperiment 2: PHI Image 80波段、7类、取半数作为训练 集vExperiment 3: AVIRIS Image 220波段、10类、取半数作为训练 集v对对比算法及参数Accuracy Measurementv average accuracy (AA) the overall accuracy (OA) the Kappa coefficient (Kappa)v McNemars testX2表征了两种算法的错误率相关程度,其值越 小表示两种算法的错误率越接近 v the computation timeExperiment 1: Wuhan TM Image 6个波段、6类类、取半数作为训练为训练 集Experiment 2: PHI Image 80波段、7类、取半数作为训练集Experiment 3: AVIRIS Image 220波段、10类类、取半数作为训练为训练 集谢谢