吳孔江，曾永年，靳文憑，何麗麗，李 靜

中南大學(xué) 地球科學(xué)與信息物理學(xué)院 空間信息技術(shù)與可持續(xù)發(fā)展研究中心，湖南 長(zhǎng)沙 410083

1 引 言

遙感信息提取是遙感應(yīng)用分析的基礎(chǔ)，是遙感數(shù)據(jù)轉(zhuǎn)換為可用地理信息的技術(shù)核心［1－2］。因此，遙感影像分類(lèi)方法的研究一直是遙感科學(xué)領(lǐng)域的重要研究?jī)?nèi)容之一。近年來(lái)，眾多研究人員在遙感分類(lèi)方面作了大量的研究，提出了許多遙感分類(lèi)新方法。但當(dāng)區(qū)域景觀較為復(fù)雜、空間異質(zhì)性較高時(shí)，現(xiàn)有的遙感影像分類(lèi)方法往往難以獲得較高的分類(lèi)精度。然而，人工智能方法與技術(shù)在處理復(fù)雜對(duì)象時(shí)具有較為明顯的優(yōu)勢(shì)，目前遙感信息提取中正不斷汲取和集成人工智能領(lǐng)域的研究成果，智能化已成為遙感數(shù)據(jù)處理與信息提取的時(shí)代特征［3］。文獻(xiàn)［4］提出的蟻群智能算法是智能理論和方法的典型代表之一，它是通過(guò)模擬螞蟻群體覓食尋徑行為的抽象而提出的一種基于群體智能的啟發(fā)式仿生進(jìn)化算法［5］，已經(jīng)成功應(yīng)用于旅行商問(wèn)題、區(qū)位選址、線狀目標(biāo)簡(jiǎn)化等多個(gè)領(lǐng)域［6－8］。基于蟻群算法的規(guī)則挖掘最初由文獻(xiàn)［9］提出，該算法主要是利用蟻群覓食原理在數(shù)據(jù)庫(kù)中搜索最優(yōu)規(guī)則。文獻(xiàn)［10—13］等嘗試性地將蟻群分類(lèi)規(guī)則挖掘算法引入遙感影像分類(lèi)。研究表明，該算法能夠獲得比極大似然法、決策樹(shù)法等傳統(tǒng)分類(lèi)算法更好的分類(lèi)效果。這是因?yàn)橄伻核惴ň哂幸韵聝?yōu)勢(shì)：該算法利用了正反饋原理，在一定程度上可以加快進(jìn)化過(guò)程；智能個(gè)體之間不斷進(jìn)行信息交流和傳遞，具有較強(qiáng)的發(fā)現(xiàn)最優(yōu)解的能力；同時(shí)，蟻群規(guī)則挖掘算法是一種無(wú)參數(shù)分類(lèi)的智能算法，具有較強(qiáng)的魯棒性，不會(huì)由于一個(gè)或者某幾個(gè)智能個(gè)體的故障而影響到整個(gè)問(wèn)題的求解。但簡(jiǎn)單的蟻群算法也存在一些缺陷，如容易陷入局部最優(yōu)解、收斂慢和計(jì)算時(shí)間長(zhǎng)等問(wèn)題［9，14］，所挖掘出來(lái)的規(guī)則往往較多且復(fù)雜，不利于分類(lèi)工作的進(jìn)行和分類(lèi)效率的提高。因此，如何在較短的時(shí)間內(nèi)發(fā)現(xiàn)具有更強(qiáng)的預(yù)測(cè)能力，包括更少的規(guī)則集以及形式更簡(jiǎn)單的分類(lèi)規(guī)則是值得研究的問(wèn)題。

為了探索在短時(shí)間內(nèi)發(fā)現(xiàn)更優(yōu)的分類(lèi)規(guī)則，提高分類(lèi)精度，本文將變異算子引入蟻群規(guī)則挖掘算法中，同時(shí)在信息素濃度更新上采取自適應(yīng)調(diào)整策略，試圖改進(jìn)已有的蟻群規(guī)則挖掘算法，并與傳統(tǒng)規(guī)則挖掘算法進(jìn)行對(duì)比分析，驗(yàn)證改進(jìn)型的蟻群規(guī)則挖掘算法在遙感影像分類(lèi)應(yīng)用中的優(yōu)勢(shì)。以長(zhǎng)沙市2006年TM影像為試驗(yàn)數(shù)據(jù)，分別對(duì)其分類(lèi)精度和效率進(jìn)行了分析與評(píng)價(jià)。

2 Ant－miner算法

文獻(xiàn)［9］提出的蟻群規(guī)則挖掘算法（Ant－miner）將螞蟻構(gòu)造規(guī)則的過(guò)程分為3個(gè)階段［9］。首先，從一條空路徑開(kāi)始重復(fù)選擇屬性節(jié)點(diǎn)增加到路徑上，直到得到一條完整路徑，即構(gòu)造了一條分類(lèi)規(guī)則；然后，進(jìn)行規(guī)則的剪枝，移去多余不相關(guān)的屬性節(jié)點(diǎn)，避免分類(lèi)規(guī)則對(duì)樣本的過(guò)度擬合；最后，更新所有路徑上的信息素濃度，對(duì)下一只螞蟻構(gòu)造規(guī)則施加影響。

在Ant－miner算法的遙感影像分類(lèi)規(guī)則挖掘中，算法的目的是從訓(xùn)練樣本中挖掘出分類(lèi)規(guī)則，每個(gè)螞蟻不斷尋找分類(lèi)規(guī)則，最終挖掘出一個(gè)最優(yōu)的規(guī)則集，其中屬性節(jié)點(diǎn)對(duì)應(yīng)遙感影像訓(xùn)練樣本波段的離散值，類(lèi)節(jié)點(diǎn)對(duì)應(yīng)目標(biāo)地類(lèi)。路徑為屬性節(jié)點(diǎn)和類(lèi)節(jié)點(diǎn)的連線，其中每個(gè)屬性節(jié)點(diǎn)最多出現(xiàn)一次且必須有類(lèi)節(jié)點(diǎn)，如圖1所示，每條路徑即為一條分類(lèi)規(guī)則。規(guī)則挖掘中每個(gè)規(guī)則的形式一般為：if〈conditions〉then〈class〉，規(guī)則中的conditions包含一組屬性節(jié)點(diǎn)（termij，其中i為條件屬性數(shù)，j為屬性i的取值個(gè)數(shù)）條件集合，一般表示為term1and term2and…，而每一個(gè)term就是一個(gè)〈attribute operation value〉，如〈波段1＜20.5〉；class定義了樣本的預(yù)測(cè)類(lèi)，這些樣本的預(yù)測(cè)屬性滿(mǎn)足規(guī)則條件所定義的所有條件［15］。

由于Ant－miner算法在規(guī)則剪枝和部分參數(shù)設(shè)置等方面操作過(guò)于簡(jiǎn)單，在進(jìn)行較為復(fù)雜的工作如遙感分類(lèi)時(shí)，往往難以獲得理想的結(jié)果。

圖1 分類(lèi)規(guī)則對(duì)應(yīng)的路徑Fig.1 Route corresponding to classification rule

3 Ant－miner算法改進(jìn)

3.1 Ant－miner算法存在的問(wèn)題分析

蟻群算法具有較強(qiáng)的發(fā)現(xiàn)最優(yōu)解能力，且具有較好的魯棒性。但Ant－miner算法也有一些系統(tǒng)本身所具有的不足，主要表現(xiàn)如下［14，16－17］：

（1）蟻群系統(tǒng)的一個(gè)比較大的風(fēng)險(xiǎn)就是容易收斂于局部最優(yōu)解。這是因?yàn)椋谙伻合到y(tǒng)中，螞蟻更多地采用自然的方式來(lái)執(zhí)行信息素的更新，即每個(gè)螞蟻一旦獲得某個(gè)解，不管質(zhì)量如何，都會(huì)依據(jù)該解來(lái)進(jìn)行全局信息素更新。這樣會(huì)引起在搜索初期螞蟻的運(yùn)動(dòng)是隨機(jī)的，獲得的解并不一定是最優(yōu)解，這會(huì)使得一些較差路徑上信息素增強(qiáng)，對(duì)后續(xù)螞蟻進(jìn)行錯(cuò)誤引導(dǎo)，從而導(dǎo)致規(guī)則的質(zhì)量不高。

（2）Ant－miner算法往往需要較長(zhǎng)的搜索時(shí)間，主要原因是在進(jìn)化的初始階段，各個(gè)路徑上的信息素差別很小，同時(shí)在信息素濃度更新時(shí)，信息素?fù)]發(fā)系數(shù)一般采用相同的固定值，雖然對(duì)全局信息素進(jìn)行了更新，但對(duì)下只螞蟻選擇路徑時(shí)所產(chǎn)生的影響效果并不明顯，螞蟻的運(yùn)動(dòng)很隨機(jī)，特別在遙感分類(lèi)試驗(yàn)中，波段數(shù)據(jù)量大且土地覆蓋類(lèi)型復(fù)雜，更難在短時(shí)間內(nèi)發(fā)現(xiàn)最優(yōu)路徑。只有經(jīng)過(guò)較長(zhǎng)一段時(shí)間，才能使得較好的路徑上信息素濃度高于其他路徑，隨著這一過(guò)程的進(jìn)行，路徑上的信息量差別越來(lái)越明顯，從而得到最優(yōu)路徑。

（3）Ant－miner算法最初只考慮了可用規(guī)則集的預(yù)測(cè)準(zhǔn)確度，沒(méi)有考慮規(guī)則的精簡(jiǎn)性，所挖掘出來(lái)的規(guī)則往往較多且復(fù)雜。采用逐個(gè)去掉每個(gè)屬性節(jié)點(diǎn)的規(guī)則剪枝策略，使得到的最終規(guī)則不一定是最精簡(jiǎn)的最優(yōu)解，這就需要更多更復(fù)雜的規(guī)則來(lái)提升規(guī)則集的預(yù)測(cè)準(zhǔn)確度。

3.2 蟻群規(guī)則挖掘算法的改進(jìn)

本文在Ant－miner算法的基礎(chǔ)上對(duì)信息素濃度更新函數(shù)進(jìn)行優(yōu)化，對(duì)揮發(fā)系數(shù)進(jìn)行自適應(yīng)調(diào)整，對(duì)剪枝后的規(guī)則執(zhí)行變異，以期在短時(shí)間內(nèi)挖掘出更優(yōu)規(guī)則集。

3.2.1 信息素濃度更新的改進(jìn)

式中，τij為條件屬性節(jié)點(diǎn)的信息素濃度，當(dāng)?shù)谝恢晃浵侀_(kāi)始構(gòu)造路徑時(shí)，所有屬性節(jié)點(diǎn)的信息素濃度被初始化為相同的值；ρ為信息素的揮發(fā)系數(shù)；Q為分類(lèi)規(guī)則的有效性，其衡量公式為

式中，TP表示滿(mǎn)足規(guī)則條件，所屬于的類(lèi)別與規(guī)則預(yù)測(cè)類(lèi)別相同的記錄數(shù)量；FN表示不滿(mǎn)足規(guī)則條件，所屬于的類(lèi)別與規(guī)則預(yù)測(cè)類(lèi)別相同的記錄數(shù)量；TN表示不滿(mǎn)足規(guī)則條件，所屬于的類(lèi)別與規(guī)則預(yù)測(cè)類(lèi)別不同的記錄數(shù)量；FP表示滿(mǎn)足規(guī)則條件，所屬于的類(lèi)別與規(guī)則預(yù)測(cè)類(lèi)別不同的記錄數(shù)量。

其次，對(duì)原有算法中的信息素?fù)]發(fā)系數(shù)ρ進(jìn)行改進(jìn)。一般來(lái)講，ρ（0＜ρ＜1）過(guò)小會(huì)使信息素在少數(shù)路徑上聚集過(guò)多，造成后來(lái)的螞蟻絕大部分選擇局部最優(yōu)路線，降低算法全局最優(yōu)解的搜索能力；ρ過(guò)大又會(huì)使各條路徑上的信息素難以在較短的時(shí)間內(nèi)區(qū)別開(kāi)來(lái)，導(dǎo)致算法收斂速度緩慢，從而延長(zhǎng)計(jì)算時(shí)間。因此，ρ的大小直接關(guān)系到蟻群算法的全局搜索能力及其收斂速度。在Ant－miner算法中，ρ設(shè)為一個(gè)簡(jiǎn)單的固定值，使得螞蟻搜索時(shí)間較長(zhǎng)且不易得到最優(yōu)規(guī)則，從而影響分類(lèi)結(jié)果的精度和效率。本文對(duì)ρ進(jìn)行自適應(yīng)調(diào)整，取ρ的初始值ρ（0）＝0，當(dāng)算法求得的最優(yōu)解在多次循環(huán)內(nèi)沒(méi)有明顯的改進(jìn)時(shí)，采取調(diào)整參數(shù)策略。在本文遙感分類(lèi)試驗(yàn)中，經(jīng)過(guò)對(duì)樣本數(shù)據(jù)的分析并反復(fù)試驗(yàn)，得到最優(yōu)系數(shù)值為0.95，如下式

式中，ρmin為最小值。

對(duì)ρ采取自適應(yīng)調(diào)整，一方面使得螞蟻在走過(guò)的路徑上留下的信息素能夠較為平穩(wěn)緩和地增加，避免增加的太快對(duì)后續(xù)螞蟻造成影響而陷入局部最優(yōu)解；另一方面，當(dāng)算法多次循環(huán)無(wú)明顯改進(jìn)時(shí)，能夠加大螞蟻?zhàn)哌^(guò)路徑上信息量的揮發(fā)，啟發(fā)后續(xù)螞蟻尋找其他路徑，加大搜索范圍。這樣既可以保留上次搜索得到的有效信息，在較好區(qū)域可以進(jìn)行更精細(xì)的搜索，加快算法收斂，又可以保證大范圍搜索的有效性。

3.2.2 變異算子的引進(jìn)

為了加快進(jìn)化過(guò)程，縮短計(jì)算時(shí)間，變異策略被引入到蟻群算法求解旅行商、圖像處理等問(wèn)題當(dāng)中，并取得了較好的效果［16－20］，但在遙感分類(lèi)方面的應(yīng)用則未見(jiàn)報(bào)道。因此，本文將變異算子引入蟻群算法中，以提高某個(gè)螞蟻搜索到的規(guī)則的質(zhì)量，并縮短計(jì)算時(shí)間。具體方法為，對(duì)于剪枝后的規(guī)則，執(zhí)行單點(diǎn)變異，即隨機(jī)選擇某個(gè)屬性節(jié)點(diǎn)，用這個(gè)屬性節(jié)點(diǎn)對(duì)應(yīng)屬性的另一個(gè)屬性節(jié)點(diǎn)取代原有屬性節(jié)點(diǎn)從而構(gòu)成新的規(guī)則，如果新規(guī)則的有效性大于原有規(guī)則，則進(jìn)行變異，否則不進(jìn)行變異。這個(gè)操作簡(jiǎn)單，且只需很短的時(shí)間，卻能擴(kuò)大搜索范圍，提高修剪后的規(guī)則質(zhì)量，從而可以加快算法收斂速度。變異算子的形式化描述如下。

3.3 改進(jìn)蟻群規(guī)則挖掘算法過(guò)程

改進(jìn)蟻群規(guī)則挖掘算法的過(guò)程如圖2所示。在迭代運(yùn)算過(guò)程中，每只螞蟻都構(gòu)造出一條規(guī)則，經(jīng)過(guò)規(guī)則修剪后執(zhí)行變異，得到有效性好而且形式簡(jiǎn)單的規(guī)則，這些規(guī)則當(dāng)中有效性最好的由于其信息素濃度逐漸增強(qiáng)而得以保留，并添加到最優(yōu)規(guī)則集中，其他有效性較差的規(guī)則被丟棄。訓(xùn)練樣本集則進(jìn)行相應(yīng)修改，符合最優(yōu)規(guī)則條件的樣本將從訓(xùn)練樣本集中移除，這實(shí)質(zhì)上是一種序列覆蓋算法，這樣得到新的樣本集，開(kāi)始下一次迭代。在下一次迭代運(yùn)算前，更新信息素濃度，此時(shí)所有屬性節(jié)點(diǎn)的信息素濃度將被重新初始化。當(dāng)多次循環(huán)最優(yōu)解無(wú)明顯改進(jìn)時(shí)，信息素?fù)]發(fā)系數(shù)按照公式（4）進(jìn)行自適應(yīng)調(diào)整。直到剩余的訓(xùn)練樣本數(shù)小于預(yù)定的樣本數(shù)M。

圖2 改進(jìn)蟻群規(guī)則挖掘算法原理Fig.2 Principle of rule mining based on improved ant colony algorithm

4 遙感影像分類(lèi)試驗(yàn)

基于蟻群算法的遙感分類(lèi)主要由3部分組成：分類(lèi)規(guī)則挖掘、土地覆蓋分類(lèi)和分類(lèi)精度評(píng)價(jià)。分類(lèi)規(guī)則主要通過(guò)蟻群算法從訓(xùn)練數(shù)據(jù)中挖掘出來(lái)，本文中蟻群規(guī)則挖掘算法是在Visual Studio 2008環(huán)境中用C＃語(yǔ)言編程實(shí)現(xiàn)的。土地覆蓋分類(lèi)則是根據(jù)蟻群算法挖掘出來(lái)的分類(lèi)規(guī)則對(duì)遙感影像分類(lèi)。分類(lèi)精度評(píng)價(jià)是用驗(yàn)證樣本數(shù)據(jù)對(duì)分類(lèi)結(jié)果進(jìn)行檢驗(yàn)評(píng)價(jià)。由于蟻群規(guī)則挖掘算法只能處理離散化的數(shù)據(jù)，盡管遙感數(shù)據(jù)各波段的值為0～255的離散值，但波段的區(qū)間過(guò)多，會(huì)影響蟻群算法的效率和規(guī)則的質(zhì)量，因此，在建立規(guī)則之前需要將訓(xùn)練數(shù)據(jù)集進(jìn)行離散化，即將各波段數(shù)據(jù)劃分為有限的區(qū)間。本文采用基于信息熵的離散化方法離散遙感影像波段值［21］。

4.1 試驗(yàn)區(qū)與數(shù)據(jù)

試驗(yàn)中采用的數(shù)據(jù)是2006年11月1日獲取的長(zhǎng)沙市地區(qū)的TM衛(wèi)星數(shù)據(jù)，經(jīng)過(guò)影像拼接、幾何校正、輻射校正和影像裁剪等預(yù)處理后，選取的研究范圍為長(zhǎng)沙城區(qū)，分辨率為30m，選擇的波段為1～5波段和7波段，共6個(gè)波段數(shù)據(jù)。圖3為本研究區(qū)域5、4、3波段所合成的假彩色影像圖。以研究區(qū)域2006年1∶50 000的土地利用現(xiàn)狀圖為參考，結(jié)合同期IKONOS影像數(shù)據(jù)，通過(guò)目視解譯獲取不同土地利用類(lèi)型，以此作為本文遙感影像的訓(xùn)練區(qū)選取及分類(lèi)精度評(píng)價(jià)的先驗(yàn)數(shù)據(jù)。輔助參考數(shù)據(jù)為該研究區(qū)域數(shù)字化地形圖等。

訓(xùn)練樣本的選擇直接影響蟻群算法挖掘的規(guī)則質(zhì)量，進(jìn)而影響分類(lèi)結(jié)果。通過(guò)野外調(diào)查和對(duì)照土地利用現(xiàn)狀數(shù)據(jù)，采用分層隨機(jī)采樣的方法來(lái)獲取訓(xùn)練樣本和驗(yàn)證數(shù)據(jù)集，如表1所示。確定的土地利用覆蓋類(lèi)型分別為：水體、建設(shè)用地、林地、裸地和農(nóng)業(yè)用地，訓(xùn)練數(shù)據(jù)集的樣本數(shù)為1010，驗(yàn)證數(shù)據(jù)集的樣本數(shù)為1204。

表1 訓(xùn)練樣本和驗(yàn)證樣本Tab.1 The training data and test data

圖3 長(zhǎng)沙市區(qū)TM影像5、4、3假彩色合成圖Fig.3 TM image（5、4、3）false color composite graph of Changsha city

4.2 分類(lèi)規(guī)則挖掘與試驗(yàn)結(jié)果

在運(yùn)用蟻群算法挖掘遙感影像分類(lèi)規(guī)則時(shí)，離散化后的各波段值作為螞蟻路徑的屬性節(jié)點(diǎn)，分類(lèi)類(lèi)別作為螞蟻路徑的類(lèi)節(jié)點(diǎn)，每條路徑對(duì)應(yīng)一條分類(lèi)規(guī)則。本試驗(yàn)利用改進(jìn)的蟻群規(guī)則挖掘算法共獲得了11條分類(lèi)規(guī)則，利用Ant－miner算法共獲得了23條分類(lèi)規(guī)則，表2列出了部分分類(lèi)規(guī)則，其中B1、B2、…、B5和B7分別對(duì)應(yīng)波段1、波段2、…、波段5和波段7。根據(jù)所獲得的分類(lèi)規(guī)則，對(duì)試驗(yàn)影像進(jìn)行分類(lèi)，分類(lèi)結(jié)果見(jiàn)圖4（a）和圖4（b）。同時(shí)，用相同的訓(xùn)練樣本數(shù)據(jù)對(duì)影像用決策樹(shù)法和極大似然方法進(jìn)行了分類(lèi)，分類(lèi)結(jié)果見(jiàn)圖4（c）和圖4（d）。

表2 改進(jìn)蟻群算法和Ant－miner算法挖掘的部分分類(lèi)規(guī)則Tab.2 Part of classification rules from improved ant colony algorithm and Ant－miner algorithm

圖4 長(zhǎng)沙市區(qū)TM影像土地覆蓋分類(lèi)結(jié)果圖Fig.4 Land cover classification results of Changsha city TM image

4.3 分類(lèi)精度評(píng)價(jià)

為了對(duì)比這4種方法的精度，用驗(yàn)證樣本數(shù)據(jù)對(duì)改進(jìn)蟻群算法、Ant－miner算法、決策樹(shù)法和極大似然方法分別進(jìn)行了精度評(píng)價(jià)，得到混淆矩陣如表3、表4、表5、表6所示。對(duì)比表3、表4和表6，可以看出基于改進(jìn)蟻群算法的分類(lèi)結(jié)果比極大似然分類(lèi)法的總體精度提高了7.31%，Kappa系數(shù)提高了0.093 5；基于Ant－miner算法的分類(lèi)結(jié)果比極大似然分類(lèi)法的總體精度提高5.15%，Kappa系數(shù)提高了0.065 7，說(shuō)明蟻群智能分類(lèi)方法能較為真實(shí)地反映實(shí)際的土地利用覆蓋類(lèi)型。對(duì)比表3和表4，可以看出基于改進(jìn)蟻群算法的分類(lèi)結(jié)果比Ant－miner算法總體精度提高了2.16%，Kappa系數(shù)提高了0.027 8，特別對(duì)林地和裸地分類(lèi)精度提高較多，說(shuō)明本文所提出的改進(jìn)策略是可行的、有效的。對(duì)比表4、表5和表6，可以看出基于改進(jìn)蟻群算法的分類(lèi)結(jié)果比決策樹(shù)法總體精度提高了4.82%，Kappa系數(shù)提高了0.062；基于Ant－miner算法的分類(lèi)結(jié)果比決策樹(shù)法總體精度提高了2.66%，Kappa系數(shù)提高了0.034 2，說(shuō)明蟻群規(guī)則挖掘算法用于分類(lèi)較傳統(tǒng)的決策樹(shù)算法也有一定優(yōu)勢(shì)。

表3 長(zhǎng)沙市區(qū)改進(jìn)蟻群算法遙感土地覆蓋分類(lèi)精度評(píng)價(jià)Tab.3 Accuracy assessment on improved ant colony algorithm land cover classification of Changsha city

表4 長(zhǎng)沙市區(qū)Ant－miner算法遙感土地覆蓋分類(lèi)精度評(píng)價(jià)Tab.4 Accuracy assessment on Ant－miner algorithm land cover classification of Changsha city

表5 長(zhǎng)沙市區(qū)決策樹(shù)法遙感土地覆蓋分類(lèi)精度評(píng)價(jià)Tab.5 Accuracy assessment on Decision tree algorithm land cover classification of Changsha city

表6 長(zhǎng)沙市區(qū)極大似然法遙感土地覆蓋分類(lèi)精度評(píng)價(jià)Tab.6 Accuracy assessment on ML algorithm land cover classification of Changsha city

為了進(jìn)一步體現(xiàn)基于蟻群算法的遙感分類(lèi)的優(yōu)勢(shì)，以及本文對(duì)算法改進(jìn)的可靠性。對(duì)決策樹(shù)法、Ant－miner算法和改進(jìn)蟻群算法所挖掘出來(lái)的規(guī)則進(jìn)行對(duì)比，3種方法的所有規(guī)則個(gè)數(shù)和平均term的個(gè)數(shù)如表7所示。對(duì)比表7可以看出，改進(jìn)蟻群算法所挖掘出來(lái)的規(guī)則數(shù)目大大減少，同時(shí)單個(gè)規(guī)則也較為簡(jiǎn)潔。與決策樹(shù)和Antminer相比，本文算法不僅能發(fā)現(xiàn)預(yù)測(cè)能力更強(qiáng)的規(guī)則集，而且在形式上也更簡(jiǎn)單，包括更少規(guī)則的規(guī)則集和更短的規(guī)則。同時(shí)，表8對(duì)比了改進(jìn)蟻群算法和Ant－miner算法的計(jì)算時(shí)間，改進(jìn)蟻群算法比Ant－miner算法的計(jì)算時(shí)間縮短5.41s，計(jì)算效率相對(duì)提高43%，試驗(yàn)結(jié)果充分說(shuō)明改進(jìn)蟻群算法能夠有效的節(jié)省計(jì)算時(shí)間，大大提高了分類(lèi)效率。

表7 3種算法挖掘的規(guī)則個(gè)數(shù)和平均規(guī)則數(shù)Tab.7 The mining rules number and the average number of rules by three of the algorithm

表8 改進(jìn)蟻群算法和Ant－miner算法的計(jì)算時(shí)間Tab.8 The calculation time of improved ant－miner and ant－miner s

5 結(jié) 論

（1）蟻群智能算法具有較強(qiáng)的魯棒性、自適應(yīng)性、非線性和正反饋機(jī)制，能夠?yàn)檫b感數(shù)據(jù)的智能化處理提供一種有效的方法和途徑，因此在進(jìn)行復(fù)雜的遙感影像分類(lèi)時(shí)具有較為明顯的優(yōu)勢(shì)。但簡(jiǎn)單蟻群算法也存在容易陷入局部最優(yōu)解、收斂慢和計(jì)算時(shí)間長(zhǎng)等問(wèn)題，為了解決這些問(wèn)題，本文在Ant－miner算法基礎(chǔ)上改進(jìn)信息素濃度更新策略，引進(jìn)變異算子，提出了基于改進(jìn)蟻群規(guī)則挖掘算法，相對(duì)于Ant－miner算法和決策樹(shù)方法而言，改進(jìn)蟻群規(guī)則挖掘算法能夠發(fā)現(xiàn)更好的分類(lèi)規(guī)則，包括更強(qiáng)的預(yù)測(cè)能力，有更短的規(guī)則和更少的規(guī)則集。

（2）將改進(jìn)蟻群規(guī)則挖掘算法應(yīng)用于長(zhǎng)沙市城區(qū)的遙感影像分類(lèi)，取得了較為理想的分類(lèi)結(jié)果。并與Ant－miner算法、決策樹(shù)法和極大似然法進(jìn)行了對(duì)比研究，其中改進(jìn)蟻群算法總體精度為90.78%，Kappa系數(shù)為0.882 1；Ant－miner算法總體精度為88.62%，Kappa系數(shù)為0.854 3；決策樹(shù)法總體精度為85.96%，Kappa系數(shù)為0.820 1；極大似然法總體精度為83.47%，Kappa系數(shù)為0.788 6。這表明改進(jìn)蟻群算法比Ant－miner算法、決策樹(shù)法和極大似然法的分類(lèi)精度更高。同時(shí)，試驗(yàn)結(jié)果還表明，改進(jìn)蟻群算法比Ant－miner算法的計(jì)算時(shí)間縮短5.41s，計(jì)算效率相對(duì)提高43%，充分說(shuō)明改進(jìn)蟻群算法能夠有效地節(jié)省計(jì)算時(shí)間，提高分類(lèi)效率。

（3）蟻群算法為遙感數(shù)據(jù)分類(lèi)提供了一種新的方法，但蟻群算法用于遙感數(shù)據(jù)處理還處于起步階段，對(duì)該算法進(jìn)行進(jìn)一步的優(yōu)化和完善將是以后研究中的重點(diǎn)。目前該算法只能處理離散化的數(shù)據(jù)，無(wú)需離散化而直接應(yīng)用蟻群算法進(jìn)行計(jì)算是下一步的研究目標(biāo)。

［1］ WILKINSOMG G.Results and Implications of a Study of Fifteen Years of Satellite Image Classification Experiments［J］.IEEE Transaction on Geoscience and Remote Sensing，2005，43（3）：433－440.

［2］ ZHENG Zhong，ZENG Yongnian，LIU Huimin，et al.The Errors Analysis of Combined Classifier Based on Parallel Structure［J］.Remote Sensing Technology and Application，2011，26（3）：340－347.（鄭忠，曾永年，劉慧敏，等.并聯(lián)結(jié)構(gòu)組合分類(lèi)器的誤差分析［J］.遙感技術(shù)與應(yīng)用，2011，26（3）：340－347.）

［3］ MA Jianwen，LI Qiqing，HASIBAGAN，et al.Remote Sensing Data Processing Method and Program Design［M］.Beijing：Science Press，2005：1－20.（馬建文，李啟青，哈斯巴干，等.遙感數(shù)據(jù)智能處理方法與程序設(shè)計(jì)［M］.北京：科學(xué)出版社，2005：1－20.）

［4］ COLOMI A，DORIGO M，MANIEZZO V.Distributed Optimization by Ant Colonies［C］∥Proceedings of the 1st European Conference on Artificial Life.Paris：Elsevier Publishing，1991：134－142.

［5］ LU D，WENG Q.A Survey of Image Classification Methods and Techniques for Improving Classification Performances［J］.International Journal of Remote Sensing，2007，28（5）：824－849.

［6］ DORIGO M，GAMBARDELLA L M.Ant Colony System：A Cooperative Learning Approach to the Traveling Salesman Problem［J］.IEEE Transactions on Evolutionary Computation，1997，1（1）：53－66.

［7］ ZHAO Yuan，ZHANG Xinchang，KANG Tingjun.A Parallel Ant Colony Optimization Algorithm for Site Location［J］.Acta Geodaetica et Cartographica Sinica，2010，39（3）：322－327.（趙元，張新長(zhǎng)，康停軍.并行蟻群算法及其在區(qū)位選址中的應(yīng)用［J］.測(cè)繪學(xué)報(bào)，2010，39（3）：322－327.）

［8］ ZHENG Chunyan，GUO Qingsheng，HU Huake.The Simplification Model of Linear Objects Based on Ant Colony Optimization Algorithm［J］.Acta Geodaetica et Cartographica Sinica，2011，40（5）：635－638.（鄭春燕，郭慶勝，胡華科.基于蟻群優(yōu)化算法的線狀目標(biāo)簡(jiǎn)化模型［J］.測(cè)繪學(xué)報(bào)，2011，40（5）：635－638.）

［9］ PARPINELL R S，LOPES H S，F(xiàn)REITAS A A.Data Mining with an Ant Colony Optimization Algorithm［J］.IEEE Transaction on Evolutionary Computation，2002，6（4）：321－332.

［10］ WANG Shugen，YANG Yun，LIN Ying，et al.Automatic Classification of Remotely Sensed Images Based on Artificial Ant Colony Algorithm［J］.Computer Engineering and Applications，2005，41（29）：77－80.（王樹(shù)根，楊耘，林穎，等.基于人工蟻群優(yōu)化算法的遙感圖像自動(dòng)分類(lèi)［J］.計(jì)算機(jī)工程與應(yīng)用，2005，41（29）：77－80.）

［11］ YE Zhiwei，ZHENG Zhaobao，WAN Youchuan，et al.A Novel Approach for Feature Selection Based on Ant Colony Optimization Algorithm［J］.Geomatics and Information of Wuhan University，2007，32（12）：1127－1130.（葉志偉，鄭肇葆，萬(wàn)幼川，等.基于蟻群優(yōu)化的特征選擇新方法［J］.武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2007，32（12）：1127－1130.）

［12］ LIU Xiaoping，LI Xia，HE Jinqiang，et al.Classification of Remote Sensing Images Based on Ant Colony Optimization［J］.Journal of Remote Sensing，2008，12（2）：253－262.（劉小平，黎夏，何晉強(qiáng)，等.基于蟻群智能的遙感影像分類(lèi)新方法［J］.遙感學(xué)報(bào)，2008，12（2）：253－262.）

［13］ DAI Qin，LIU Jianbo.Research on Remote Sensing Image Classification Using Ant Colony Optimization Based Classification Rule Mining Algorithm ［J］.Computer Engineering and Application，2008，44（15）：12－14.（戴芹，劉建波.基于蟻群優(yōu)化分類(lèi)規(guī)則挖掘的遙感圖像分類(lèi)研究［J］.計(jì)算機(jī)工程與應(yīng)用，2008，44（15）：12－14.）

［14］ DORIGO M，MANIEZZO V，COLORNI A.Ant System：An Autocatalytic Optimizing Process［R］.Milan：Politecnico di Milano，1991.

［15］ ZHANG Weijiao，LIU Chunhuang，YIN Xiaofeng.Application Research on Data Mining Using Ant Colony Algorithm［J］.Computer Engineering and Applications，2004，40（28）：171－173.（張惟皎，劉春煌，尹曉峰.蟻群算法在數(shù)據(jù)挖掘中的應(yīng)用研究［J］.計(jì)算機(jī)工程與應(yīng)用，2004，40（28）：171－173.）

［16］ LI Shiyong.Ant Conoly Algorithm and Application［M］.Harbin：Harbin Institute of Technology Press，2004.（李士勇.蟻群算法及其應(yīng)用［M］.哈爾濱：哈爾濱工業(yè)大學(xué)出版社，2004.）

［17］ WU Zhenglong，Wang Rujing，Teng Mingui，et al.Mining Classification Rule Based on Colony Algorithm ［J］.Computer Engineering and Application，2004，40（2）：30－33.（吳正龍，王儒敬，滕明貴，等.基于蟻群算法的分類(lèi)規(guī)則挖掘算法［J］.計(jì)算機(jī)工程與應(yīng)用，2004，40（20）：30－33.）

［18］ MICHALEWICCZ Z.Genetic Algorithms＋Data Structures＝Evolution Programs［M］.2nd ed.New York：Springer Verlag，1994.

［19］ WU Qinghong，ZHANG Jihui，XU Xinhe.An Ant Colony Algotithm with Mutation Features［J］.Journal of Computer Research and Development，1999，36（10）：1240－1245.（吳慶洪，張記會(huì)，徐心和.具有變異特征的蟻群算 法 ［J］.計(jì) 算 機(jī) 研 究 與 發(fā) 展，1999，36（10）：1240－1245.）

［20］ LIU Shuo，WU Honggan，WEN Qingke.Segmentation of Remote Sensing Image Based on a Combination of Genetic Algorithm and Ant Colony Algorithm［J］.Geomatics and Information of Wuhan University，2009，34（6）：679－683.（劉朔，武紅敢，溫慶可.基于遺傳和蟻群組合算法優(yōu)化的遙感圖像分割［J］.武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2009，34（6）：679－683.）

［21］ XIE Hong，CHENG Haozhong，NIU Dongxiao.Discretization of Continuous Attributes in Rough Set Theory Based on Information Entropy［J］.Chinese Journal of Computers，2005，28（9）：1570－1574.（謝宏，程浩忠，牛東曉.基于信息熵的粗糙集連續(xù)屬性離散化算法［J］.計(jì)算機(jī)學(xué)報(bào)，2005，28（9）：1570－1574.）