克隆选择算法提升遥感影像分类精度至92.9%

本文主要探讨了克隆选择算法在遥感影像分类领域的创新应用，发表于2008年的《中山大学学报(自然科学版)》第47卷第3期。针对遥感影像分类中的常见问题，如局部极值和鲁棒性，研究者提出了一个基于克隆选择算法的监督分类方法。克隆选择算法借鉴了生物进化论中的概念，将遥感影像的各波段亮度值视为抗原的属性，通过计算像元与抗体的亲和力来识别其类别。与传统的最大似然法不同，该方法采用了实数制方式进行抗体变异，既提升了亲和力，又保持了系统的多样性。 在实验中，研究团队将这种方法应用于广州市的遥感影像数据分类，结果表明，随着抗体的进化过程，抗体的亲和力和识别能力逐步增强，最终的分类精度达到了令人满意的92.9%。相较于最大似然法，克隆选择算法在分类精度上有明显优势，它能更好地应对非正态分布的数据和复杂的地学特性，避免了传统方法可能产生的局部最优问题。 关键词：遥感、图像识别、人工智能、克隆选择算法在本研究中扮演了关键角色，它展示了如何结合机器学习原理和遥感数据分析，提高遥感影像分类的准确性，这对于土地利用分析、城市规划以及自然资源管理等领域具有重要意义。这一成果不仅提升了遥感技术在地球观测中的实用性，也为人工智能在遥感领域的发展提供了新的思考方向。