< P > 하이퍼 스펙트 럴 원격 감지는 그림 스펙트럼 특징을 세밀하게 묘사하여 그림 인식의 신뢰성을 높였지만 스펙트럼 차원이 증가함에 따라 대량의 중복 데이터를 가져와 하이퍼 스펙트 럴 데이터 처리 및 정보 인식 등에 부담을 주고 그림 인식의 정확도에도 영향을 미치기 때문에 그림 인식 시 하이퍼 스펙트 럴 데이터의 차원을 줄이고 피쳐 밴드를 선택하는 것이 중요합니다. SVM (Support Vector Machine) 은 분류 및 회귀 문제에 대한 미국 벨 연구소 Vapnik 가 먼저 제기한 작은 샘플 학습 문제 (Vapnik, 1995) 에 적합한 기계 학습 알고리즘입니다 최근 몇 년 동안 SVM 및 기타 알고리즘에 기반한 SVM 이 하이퍼 스펙트 럴 이미지에 사용되는 분류가 널리 사용되고 있으며, 좋은 분류 정확도 (Mel Ganiet Al., 24) 를 얻었습니다. 이조상 등, 211). 그러나 하이퍼 스펙트 럴 데이터 중복의 경우 PSO (Particle Swarm Optimization) 알고리즘은 최적의 피쳐 밴드 조합을 찾고 SVM 분류 정확도를 더욱 향상시키는 데 좋은 장점이 있습니다.

PSO 알고리즘은 개인과 집단 간의 협력을 통해 최적의 솔루션을 찾는 기계 학습 알고리즘으로, 적응성, 자체 구성 및 신속하게 최적의 솔루션을 얻을 수 있는 기능을 갖추고 있습니다. PSO 알고리즘은 먼저 Kennedy 와 Eberhart 에 의해 제시되었고, 이후 PSO 가 더 광범위하게 적용될 수 있도록 이진 PSO 알고리즘 (Kennedy Etal., 1995, 1997) 을 제안했다. Khanesar et al, 27; 장호 등, 28). PSO 알고리즘이 제시된 이래 이 알고리즘은 이미 각 연구 분야에서 광범위한 관심을 받고 있다. 하이퍼 스펙트 럴 원격 감지 응용 분야에서 Monteiro 와 Kosugi(27) 는 PSO 기반 하이퍼 스펙트 럴 이미지 최적 밴드 조합 및 최적 밴드 수 선택 방법을 제안하고 실험과 기존 밴드 선택 방법을 비교하여 PSO 기반 피쳐 밴드 선택의 우수성을 입증했습니다. 정승등 (21) 은 PSO-BS SVM 분류 모델을 제시했다. 이 모델은 하이퍼 스펙트 럴 이미지 특징 밴드 선택 및 SVM 에 대한 매개변수 최적화를 위한 것으로, 다른 방법의 실험과 비교하여 분류 정확도를 높일 수 있다. 이림이와 이덕인 (211) 도 모호한 피쳐 선택에도 PSO 알고리즘을 사용했다. 결론적으로 PSO 는 하이퍼 스펙트 럴 이미지 분류의 특징 밴드 선택에서 비교적 성공적이지만, PSO 는 조숙하기 쉽고 국부적으로 최적이기 때문에 이를 위해 SVM 분류 정확도를 높이기 위해 PSO 를 개선하는 것은 매우 의미가 있다. Tent 매핑은 카오스 이론에서 전형적인 카오스 매핑의 예이며, Tent 매핑은 무작위성과 순회성을 가지고 있으므로 PSO 에 Tent 매핑을 추가하면 PSO 알고리즘이 로컬 최적 상태에 쉽게 빠질 수 있습니다. 이 장에서는 주로 Tent 매핑을 개선한 후 바이너리 PSO 알고리즘에 적용하여 하이퍼 스펙트 럴 이미지 SVM 분류의 최적 기능 밴드 조합을 찾습니다.