唐昊

(重庆数字城市科技有限公司，重庆 401121)

1 引 言

近年来，随着国家对资源环境和生态文明建设的日益重视，植被尤其是城市植被高效精确的提取对国家和政府及时了解和掌握植被覆盖变化趋势，促进资源环境的协调发展与城市规划建设具有战略性意义。支持向量机(Support Vector Machine，SVM)是Vapnik于1995年提出的一种监督分类方法，是以统计学习为基础，对有限样本进行模式学习的方法，能有效解决小样本、高维数、非线性等问题，进而越来越多地被应用到遥感影像处理中[1]。

在利用支持向量机进行分类的过程中，模型参数(惩罚因子C和核函数宽度g)对分类精度影响显著，如何合理选择模型参数进而达到最好的分类效果成为近年来研究的热点。目前常用的SVM参数优化方法有遗传算法(Genetic Algorithm，GA)、鱼群算法(Artificial Fish Swarm Algorithm，AFSA)、粒子群算法(Particle Swarm Optimization，PSO)、蚁群算法(Ant Colony Optimization，ACO)等，能一定程度上提高分类精度，但这些优化算法存在一个致命的缺陷就是会在不同程度上陷入局部最优解而无法寻找到全局最优解，达不到最优分类效果。Karaboga于2005年提出了人工蜂群(Artificial Bee Colony，ABC)这一群智能优化算法，该算法通过不同工种蜜蜂之间的合作，模仿蜜蜂采蜜行为，在很大程度上避免了陷入局部最优解问题，具备比传统优化方法更好的优化性能[2，3]。本文以RBF核函数的支持向量机为模型，利用人工蜂群算法对模型参数(惩罚因子C和核函数宽度g)进行优化。通过对重庆市某城乡ZY-3遥感影像植被提取的实验证明：与遗传算法和粒子群算法优化SVM相比，蜂群算法能更好地克服局部最优解问题，获得更好的分类结果，植被提取效果更好。……