48、基于差分进化的手工分割图像部分自动分类

基于差分进化的手工分割图像部分自动分类

1. 引言

分类工具通常是自动模式识别系统的一部分，旨在为传感器收集的观测数据分配类别标签。分类方案一般基于已分类或已描述的模式集（训练集），分为有监督和无监督学习。有监督学习需从训练数据中推断输入模式与类别标签的关系，并推广到未见过的模式（测试集）；无监督学习则根据模式的统计规律自行确定类别。

差分进化（DE）是一种基于种群的随机优化算法，以往很少有文献将其直接用于多类数据库实例的有监督分类。本文旨在评估DE在基于质心的有监督分类中的效率，使用一个由户外图像手工分割部分组成的七类数据库进行实验，并将结果与十种知名分类技术进行比较。

2. 差分进化

差分进化（DE）是一种随机的、基于种群的优化算法，最初用于优化实值函数的实参数，使用实数向量表示解。其核心思想是利用向量差分来扰动种群中个体的基因型。

具体来说，DE通过将两个种群成员之间的加权差分向量添加到第三个成员来生成新个体。如果生成的试验向量的目标函数值优于预定的种群成员，则新向量将替换与之比较的向量。

对于一个具有m个实参数的最小化问题，DE从一个随机初始化的种群P(t = 0)开始，该种群由n个个体组成，每个个体由m个实值组成。种群通过一些变换从一代更新到下一代。DE策略的命名规则为DE/x/y/z，其中DE表示差分进化，x表示要扰动的向量（如best、rand等），y表示用于扰动x的差分向量数量（1或2），z表示交叉方法（exp或bin）。本文采用的策略是DE/rand/1/bin。

以下是DE算法的伪代码：

b