基于人工免疫网络的高光谱遥感影像特征选择与分类

高光谱遥感影像特征选择能够在保持数据原有信息的同时，有效避免分类过程中出现Hughes现象，是高光谱遥感影像处理的研究热点之一。如何获得最优特征子集，并提高分类器的分类精度是高光谱遥感影像特征选择与分类的核心难题。本项目研究基于人工免疫网络的高光谱遥感影像特征选择与分类方法，利用人工免疫网络自学习、自组织、自记忆的优点，通过人工免疫网络模型框架下的选择、克隆、变异、记忆等免疫算子实现稳健、快速的智能化高光谱遥感影像特征选择方法，获得最优特征子集，同时根据高光谱遥感影像的高维数据特点，发展适用于高光谱遥感影像处理的人工免疫网络模型，提出新型的人工免疫网络分类器，并与特征选择方法进行集成，共同形成智能化人工免疫高光谱遥感影像特征选择与分类方法，其最终成果不仅可以提高分类精度，也为高光谱遥感影像智能化处理开辟了一条新的途径。

高光谱遥感影像特征选择能够在保持数据原有信息的同时，有效避免分类过程中出现Hughes现象，是高光谱遥感影像处理的研究热点之一。本项研究利用人工免疫网络自学习、自组织、自记忆的优点，提出了基于人工免疫网络的高光谱遥感影像特征选择与分类方法，提高了高光谱遥感影像特征选择和分类的精度。针对高光谱数据的高维特点及人工免疫网络建模中的难点，以“数据表达—特征选择—学习与分类”为研究主线，发展了稳健、快速的智能化高光谱遥感影像特征选择与分类方法，实现了高光谱遥感数据的有效表达、特征选择和分类识别，其研究成果不仅提升了高光谱遥感影像的解译能力，也为高光谱遥感影像智能化处理开辟了一条新的途径。在项目资助下，项目组发表和接收科研论文24篇，其中在IEEE Transaction on Geoscience and Remote Sensing 等遥感领域国际顶级期刊上发表和接收SCI检索论文10篇，申请发明专利4项，获得省部级一等奖2项；在人才培养方面，项目负责人由副教授晋升为教授，并受聘武汉大学珞珈青年学者，项目组培养毕业博士研究生3人，硕士研究生3人，在读博士研究生2人，硕士研究生3人。