基于演化算法的主动学习及其在高光谱遥感图像信息提取中的应用

Find out an efficient training set is one of the most delecate phase for the success of remote sensing image classification routines.the complexity of the problem,the limited temporal and financial resources,as well as the high intraclass variance can make an algorithm fail if it is trained with a suboptimal database.in this project,We will plan to research evolutionary active learning and research the sample scarcity and dimension disaster in hyper spectral remote sensing.it is based on the National High-technology Program of China (863 Program) which we have finished between 2009 .1 and 2010.12, First, we will analysis the application of active learning in processing the hyper spectral remote sensing images and tries to compare the advantages and disadvantages of the existing algrithms . Then we will propose new revolutionary active learning algorithms and design a framework of active learning to solve both the difficulty in information extraction of hyper spectral images and dimension disaster with band selection. Moreover, all these researches will base on a practical problem, the uranium deposit hyper spectral images. we believe that the research in this project is very important in terms of both the development for the active learning based on evolutionary algorithms and the applications of new active learning in hyperspectral remote sensing images processing.

针对高光谱遥感图像应用中出现的样本获取困难及维度灾难问题，本项目拟开展基于演化算法的主动学习算法研究，以有效地提取高光谱图像中的有用信息，并将研究成果用于基于高光谱图像的铀矿信息提取中。在全面分析现有主动学习在光谱遥感图像处理的应用现状并分析现有算法的优缺点的基础上，创新性地开展基于演化算法的主动学习研究，设计基于演化主动学习的框架，用以解决高光谱遥感图像信息提取中的样本获取困难问题，同时用基于演化技术的波段选择来解决维度灾难问题，最后以实际的铀矿床高光谱遥感图像为研究实例进行实证研究。本项目的研究成果不仅为高光谱遥感图像的信息提取提供有效的解决方案，还为战略资源---铀的高光谱图像信息提取提供有力工具，也为演化算法的应用提供启示，因此其研究具有重要的理论意义和现实意义。

对演化算法，主动学习和先进的分类算法进行研究并将它们进行有效结合，以进一步提高基于演化算法的主动学习在高光谱遥感图像信息处理中的性能。本项目以此为研究目的和研究重点，主要开展了以下几个方面的研究：（1）自适应差分演化算法及其应用；（2）改进的主动学习算法；（3）超限学习机的改进算法；（4）其他分类算法的研究；（5）高光谱遥感特征提取与分类算法研究。通过本项目的研究以完善基于演化的主动学习在高光谱遥感影像信息处理的框架，改进演化算法和主动学习的性能，优化超限学习机的分类精度，提高高光谱遥感影像地物识别准确度，为进一步研究基于演化算法的主动学习在高光谱遥感影像信息处理提供参考。本项目的研究过程中培养了博士研究生3名（1人已毕业，2人在读）、硕士研究生6名（6名均已毕业）；出版译著1部；发表SCI检索论文6篇、EI检索论文11篇。