群智能算法在高光谱图像聚类中的应用比较
近年来,基于不同仿生学原理的群智能算法被不断提出,以群智能优化为基础的模式聚类算法得到了迅速发展,并且展现出精度优势和应用潜力.本文针对典型的高光谱图像聚类模型,引入蜂群算法(Artificial Bee Colony Algorithm,ABC)、粒子群算法(Particle Swarm Optimization,PSO)、萤火虫算法(Firefly Algorithm,FA)和教与学算法(Teaching and Learning Based Optimization,TLBO)等4种群智能算法,在详细介绍算法原理和流程之后,应用3组模拟数据和2组实际数据对各个算法的聚类结果(目标函数值、ARI和PWSD)进行了比较.结果显示,对于每个数据,4种群智能均能很好地改进k-means算法的聚类结果.另外,对于模拟数据,ABC和TLBO效果最好;对于真实数据,ABC和FA效果最好;综合考虑运算时间,ABC相对于其他算法具有明显优势.
高光谱遥感图像 聚类分析 群智能算法 工作流程
孙旭 杨丽娜 张兵 高连如
中国科学院遥感与数字地球研究所,北京,100094
国内会议
海南文昌
中文
223-240
2014-10-01（万方平台首次上网日期，不代表论文的发表时间）