[發(fā)明專利]一種基于衛(wèi)星遙感影像的輸電通道環(huán)境隱患的識別方法和系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202011232957.0
• 申請日: 2020-11-06
• 公開（公告）號: CN112380945B
• 公開（公告）日: 2021-12-21
• 發(fā)明（設(shè)計(jì)）人: 楊知;劉毅;趙斌濱;歐文浩;李闖;馬瀟;費(fèi)香澤;劉彬
• 申請（專利權(quán)）人: 中國電力科學(xué)研究院有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/00;G06N3/12
• 代理公司: 北京安博達(dá)知識產(chǎn)權(quán)代理有限公司 11271
• 代理人: 徐國文

1.一種基于衛(wèi)星遙感影像的輸電通道環(huán)境隱患的識別方法，其特征在于，包括：

獲取含有輸電通道的衛(wèi)星遙感影像；

將所述的衛(wèi)星遙感影像輸入預(yù)先構(gòu)建的支持向量機(jī)分類器中，得到輸電通道的環(huán)境隱患類型；

所述支持向量機(jī)分類器基于歷史衛(wèi)星遙感影像中的環(huán)境隱患進(jìn)行訓(xùn)練，并采用粒子群算法和遺傳算法對所述分類器進(jìn)行優(yōu)化；

采用粒子群算法和遺傳算法對支持向量機(jī)分類器的參數(shù)進(jìn)行優(yōu)化，包括：

基于帶有各種環(huán)境隱患標(biāo)注的輸電通道歷史衛(wèi)星遙感影像構(gòu)建訓(xùn)練集；

基于所述訓(xùn)練集，采用粒子群算法和遺傳算法對支持向量機(jī)分類器的參數(shù)進(jìn)行迭代更新；

所述支持向量機(jī)分類器參數(shù)包括：核函數(shù)參數(shù)和誤差懲罰因子；

所述基于所述訓(xùn)練集，采用粒子群算法和遺傳算法對支持向量機(jī)分類器的參數(shù)進(jìn)行迭代更新，包括：

A1在設(shè)定范圍內(nèi)隨機(jī)生成設(shè)定組參數(shù)值，基于所述設(shè)定組參數(shù)值，生成初始群落；

A2對粒子群算法和遺傳算法的參數(shù)以及兩種算法的選擇概率進(jìn)行初始化；

A3基于兩種算法的選擇概率確定支持向量機(jī)分類器參數(shù)的優(yōu)化算法；

A4基于所述訓(xùn)練集和當(dāng)前群落，采用步驟A3中選擇的優(yōu)化算法對當(dāng)前群落和兩種算法的選擇概率進(jìn)行迭代更新；

A5判斷是否滿足終止標(biāo)準(zhǔn)：若滿足終止標(biāo)準(zhǔn)，將最新子代群落中占比最大的個體對應(yīng)的支持向量機(jī)分類器參數(shù)作為最優(yōu)參輸出，完成支持向量機(jī)分類器的參數(shù)優(yōu)化；若不滿足終止標(biāo)準(zhǔn)，返回步驟A3直到滿足終止條件；

所述基于兩種算法的選擇概率確定支持向量機(jī)分類器參數(shù)的優(yōu)化算法，包括：當(dāng)兩種算法的選擇概率相同時，支持向量機(jī)分類器參數(shù)的優(yōu)化算法為粒子群算法和遺傳算法；

當(dāng)兩種算法的選擇概率不同時，支持向量機(jī)分類器參數(shù)的優(yōu)化算法為粒子群算法和遺傳算法中選擇概率較大的算法；

基于所述訓(xùn)練集和當(dāng)前群落，采用粒子群算法和遺傳算法對當(dāng)前群落和兩種算法的選擇概率進(jìn)行更新，包括：

將當(dāng)前群落平均分成粒子群算法群落和遺傳算法群落；

采用粒子群算法對所述粒子群算法群落進(jìn)行迭代更新，得到粒子群算法子代候選群落；采用遺傳算法對所述遺傳算法群落進(jìn)行迭代更新，得到遺傳算法子代候選群落；

將所述粒子群算法子代候選群落和所述遺傳算法子代候選群落進(jìn)行合并，生成當(dāng)前群落的子代候選群落；

基于所述訓(xùn)練集和預(yù)先設(shè)定的個體適應(yīng)度函數(shù)，分別計(jì)算所述當(dāng)前群落的子代候選群落中每個個體的適應(yīng)度；

基于所述當(dāng)前群落的子代候選群落和每個個體的適應(yīng)度，生成當(dāng)前群落的子代群落；

基于所述當(dāng)前群落的子代群落、粒子群算法子代候選群落和遺傳算法子代候選群落，更新兩種算法的選擇概率；

基于所述訓(xùn)練集和預(yù)先設(shè)定的個體適應(yīng)度函數(shù)，計(jì)算當(dāng)前群落的子代候選群落中個體的適應(yīng)度，包括：

基于待評價(jià)的個體表示更新支持向量機(jī)分類器參數(shù)；

將所述訓(xùn)練集中各歷史衛(wèi)星遙感影像依次輸入?yún)?shù)更新后的支持向量機(jī)分類器，得到所述各歷史衛(wèi)星遙感影像對應(yīng)的環(huán)境隱患預(yù)測結(jié)果；

將所述各歷史衛(wèi)星遙感影像對應(yīng)的環(huán)境隱患預(yù)測結(jié)果與各歷史衛(wèi)星遙感影像標(biāo)注的環(huán)境隱患進(jìn)行比對，確定支持向量機(jī)分類器輸出的正確分類樣本數(shù)和錯誤分類樣本數(shù)；

基于所述正確分類樣本數(shù)和錯誤分類樣本數(shù)，計(jì)算所述待評價(jià)個體的適用度；所述基于所述當(dāng)前群落的子代群落、粒子群算法子代候選群落和遺傳算法子代候選群落，更新兩種算法的選擇概率，包括：

將當(dāng)前群落的子代群落與粒子群算法子代候選群落和遺傳算法子代候選群落進(jìn)行比較：若當(dāng)前群落的子代群落個體來自粒子群算法子代候選群落的個數(shù)大于來自遺傳算法子代候選群落的個數(shù)，則將粒子群算法的選擇概率上調(diào)預(yù)設(shè)值；若當(dāng)前群落的子代群落個體來自遺傳算法子代候選群落的個數(shù)大于來粒子群算法子代候選群落的個數(shù)，則將遺傳算法的選擇概率上調(diào)預(yù)設(shè)值。

2.如利要求1所述的方法，其特征在于，在獲取含有輸電通道的衛(wèi)星遙感影像之后，在將所述的衛(wèi)星遙感影像輸入預(yù)先構(gòu)建的支持向量機(jī)分類器之前，還包括對所述獲取的輸電通道衛(wèi)星遙感影像進(jìn)行處理。