改进型人工免疫系统及其在高光谱数据处理中的应用

【摘要】： 随着传感器技术的发展,高光谱遥感迅猛发展,而由于其波段众多,数据量大,给数据的存储、处理以及应用带来了巨大的挑战。在遥感数据的分析中,测量复杂度与波段数和量化精度成正比。高光谱数据由于波段众多,相关性又强,造成了极大的数据冗余,因此高光谱数据的处理需要新的方法。 本文针对高光谱数据的处理,构建了多种基于AIS(Artifical Immune System,人工免疫系统)的模型和方法,主要用于高光谱数据处理中的降维和敏感点提取问题。对AIS中的克隆选择算法做出改进,使其应用于高光谱遥感数据的降维过程。AIS是从生物免疫机理发展而来的智能系统,通过从生物免疫系统中提炼出隐喻机制,用于人工免疫模型设计,并用算法实现。传统应用中,AIS并不能直接应用于高光谱遥感数据的处理,因此,需要结合高光谱遥感数据处理的特点,对原有算法进行改进。还对玉米光谱敏感点提取的过程进行了改进,将AIS引入到敏感点提取的过程,为试验点玉米胁迫的研究提供了借鉴。 论文分为三个部分,主要内容包括: 首先,对AIS的发展历史和现状进行了分析和研究,吸取AIS在各个领域应用的经验,重点研究了AIS解决多目标规划问题的方法,并用一个通用问题进行了验证。 其次,建立了HDRM模型用于高光谱数据降维的。在对比分析现有的高光谱数据降维理论和方法的基础上,选取OIF作为评价降维效果的准则,把高光谱数据降维抽象成数学问题,并将AIS理论应用到其中进行优化,建立了HDRM模型,并在实验数据上进行了检验和调整。针对选定的实验对象,经调试在β取0.631,ω取0.873,n为10,d为8的情况下,HDRM收敛的时间为3.8秒,表明AIS能显著地改进降维的效率。 最后,提出了一种提取玉米光谱敏感点的方法,在实测数据的支持下,采用AIS中的克隆选择算法,结合SAM分类器进行评价,提取出了三个实验样地玉米光谱的4个敏感点,区分度达到80%,描述了AIS在敏感点提取的过程中起到的作用。