專利名稱：基于粒子群優(yōu)化算法的棉花異性纖維特征選擇方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種基于粒子群優(yōu)化算法的棉花異性纖維特征選擇方法。
背景技術(shù)：
棉花中的異性纖維是指在棉花采摘、攤曬和收購等過程中混入棉花中的對棉花及其制品的質(zhì)量有嚴(yán)重影響的非棉纖維和色纖維，如化學(xué)纖維、毛發(fā)、麻繩等。異性纖維在皮棉中的含量雖少，但對棉紡織品的質(zhì)量影響嚴(yán)重?；烊肫っ娴漠愋岳w維容易是棉紗斷頭，降低生產(chǎn)效率；織布時，影響布面質(zhì)量；染色時，影響外觀，對棉紗和布面的質(zhì)量造成了很大危害。在我國，現(xiàn)階段許多棉紡加工企業(yè)主要依靠雇傭大量工人人工挑揀異性纖維，為此付出了很大的人力、物力代價。基于統(tǒng)計學(xué)習(xí)理論的極其學(xué)習(xí)算法是棉花中的異性纖維特征特區(qū)的重要手段。對異性纖維提取能夠得到描述目標(biāo)的初始特征集合，在保證分類精度不降低的前提下，從初始特征集合中選擇出分類能力最強的最優(yōu)特征子集，可以最大限度地降低分類器設(shè)計的復(fù)雜性并提高分類速度，是實現(xiàn)在線實時分類的前提和保證。盡管目前在棉花異性纖維的特征選擇和模式識別的研究方面已經(jīng)取得了很多優(yōu)異的成果，但由于地域等條件不同，異性纖維的種類、顏色和形狀也不相同甚至差異很大。 支持向量機(Support Vector Machines, SVM)理論是一種基于統(tǒng)計學(xué)習(xí)理論的機器學(xué)習(xí)算法，能較好的地解決小樣本、非線性等實際問題。但是已有研究成果顯示，SVM分類器對有多余和不相關(guān)的數(shù)據(jù)集分類時性能會下降，因此特征優(yōu)化，使其能夠適應(yīng)SVM分類器的要求，除去冗余和不相關(guān)特征的數(shù)據(jù)集，從而進一步提高分類性能，已成為機器學(xué)習(xí)中的一個重要研究部分。

發(fā)明內(nèi)容
(一 )要解決的技術(shù)問題本發(fā)明要解決的技術(shù)問題是提供一種能夠?qū)γ藁ó愋岳w維特征進行優(yōu)化選擇， 并且適應(yīng)SVM分類器的要求，進一步提高分類性能的基于粒子群優(yōu)化算法的棉花異性纖維特征選擇方法。( 二 )技術(shù)方案為解決上述問題，本發(fā)明提供了一種基于粒子群優(yōu)化算法的棉花異性纖維特征選擇方法，該方法包括步驟SI.根據(jù)特征提取得到的特征訓(xùn)練樣本集的特征數(shù)據(jù)，初始化粒子群；S2.根據(jù)所述樣本集設(shè)計支持向量機分類器；S3.對所述樣本集進行分類，計算粒子的適度值；S4.將當(dāng)前粒子的適度值與其局部最優(yōu)解以及種群的全局最優(yōu)解進行比較，并根據(jù)比較結(jié)果更新當(dāng)前粒子的局部最優(yōu)解以及種群的全局最優(yōu)解；
S5.根據(jù)步驟S4所更新的局部最優(yōu)解以及全局最優(yōu)解，計算粒子的移動速度和新的位置；S6.判斷是否符合終止條件，若符合，則結(jié)束并輸出最優(yōu)特征集，否則迭代次數(shù)加 1，并返回步驟S2。優(yōu)選地，所述樣本集中的特征包括顏色特征、形狀特征、以及紋理特征。優(yōu)選地，在步驟SI中，初始化粒子的位置和初始速度，隨機產(chǎn)生一組初始值。優(yōu)選地，在步驟S2設(shè)樣本集X = (xi; yi)，i = 1，2，. . .，N，其中，N為訓(xùn)練樣本數(shù)量，Xi為樣本的特征，Yi為樣本的類別，對于每個粒子計算支持向量機最優(yōu)分類函數(shù)模型為 0019]其中，sign為符號函數(shù)，即
權(quán)利要求
1.一種基于粒子群優(yōu)化算法的棉花異性纖維特征選擇方法，其特征在于，該方法包括步驟51.根據(jù)特征提取得到的特征訓(xùn)練樣本集的特征數(shù)據(jù)，初始化粒子群；52.根據(jù)所述樣本集設(shè)計支持向量機分類器；53.對所述樣本集進行分類，計算粒子的適度值；54.將當(dāng)前粒子的適度值與其局部最優(yōu)解以及種群的全局最優(yōu)解進行比較，并根據(jù)比較結(jié)果更新當(dāng)前粒子的局部最優(yōu)解以及種群的全局最優(yōu)解；55.根據(jù)步驟S4所更新的局部最優(yōu)解以及全局最優(yōu)解，計算粒子的移動速度和新的位置；56.判斷是否符合終止條件，若符合，則結(jié)束并輸出最優(yōu)特征集，否則迭代次數(shù)加1，并返回步驟S2。
2.如權(quán)利要求I所述的方法，其特征在于，所述樣本集中的特征包括顏色特征、形狀特征、以及紋理特征。
3.如權(quán)利要求I所述的方法，其特征在于，在步驟SI中，初始化粒子的位置和初始速度，隨機產(chǎn)生一組初始值。
4.如權(quán)利要求I所述的方法，其特征在于，在步驟S2設(shè)樣本集X= (Xi, Yi), i = I, 2，. . .，N，其中，N為訓(xùn)練樣本數(shù)量，Xi為樣本的特征，Ii為樣本的類別，對于每個粒子計算支持向量機最優(yōu)分類函數(shù)模型為
5.如權(quán)利要求I所述的方法，其特征在于，在步驟S3中，計算所述適度值的適應(yīng)度函數(shù)模型為
6.如權(quán)利要求I所述的方法，其特征在于，步驟S4進一步包括步驟若所述粒子的適度值大于局部最優(yōu)解，則令所述粒子的局部最優(yōu)解等于所述適度值； 若所述粒子的適度值大于所述種群的全局最優(yōu)解，則令所述種群的全局最優(yōu)解等于所述適度值。
7.如權(quán)利要求I所述的方法，其特征在于，在步驟S5中，所述粒子的新的位置為 χ；+ι=(0, f (xl+1) <0.全文摘要
本發(fā)明公開了一種基于粒子群優(yōu)化算法的棉花異性纖維特征選擇方法，涉及圖像處理技術(shù)領(lǐng)域。包括步驟S1.根據(jù)特征提取得到的特征訓(xùn)練樣本集的特征數(shù)據(jù)，初始化粒子群；S2.根據(jù)樣本集設(shè)計SVM分類器；S3.對樣本集進行分類，計算粒子的適度值；S4.將當(dāng)前粒子的適度值與其局部最優(yōu)解以及種群的全局最優(yōu)解進行比較，更新局部最優(yōu)解以及全局最優(yōu)解；S5.計算粒子的移動速度和新的位置；S6.若符合終止條件，則結(jié)束并輸出最優(yōu)特征集，否則迭代次數(shù)加1，并返回步驟S2。本發(fā)明的方法能夠?qū)γ藁ó愋岳w維特征進行優(yōu)化選擇，并且適應(yīng)SVM分類器的要求，進一步提高分類性能。
文檔編號G06K9/62GK102609717SQ201210006210
公開日2012年7月25日 申請日期2012年1月10日 優(yōu)先權(quán)日2012年1月10日
發(fā)明者劉雙喜, 李恒斌, 李振波, 李道亮, 楊文柱, 王欣, 王金星 申請人:中國農(nóng)業(yè)大學(xué)