[发明专利]基于人工免疫网络的遥感影像关联规则挖掘方法

说明书

技术领域

本发明涉及的是一种遥感影像处理技术，特别涉及一种遥感影像多维关联规则挖掘方法。

背景技术

随着遥感数据获取技术的迅速发展，遥感数据及其数据产品实现了长时期积累。遥感数据处理技术滞后于数据获取技术的现状，已经满足不了国土资源大调查、生态环境治理、防灾减灾等国家重大需求和地学图谱、碳循环等科学研究的需求。因此，开发从大量遥感数据中挖掘有用信息的技术，已经迫在眉睫。遥感影像数据挖掘(remote sensingimage data mining，简称RESIM)技术，是用数据图像分析技术、模式识别、人工智能、地理信息系统、空间数据挖掘的相关理论和技术来发现和挖掘隐含在遥感影像中信息的技术，是图像数据挖掘技术在遥感领域的一个应用。

关联规则的挖掘是数据挖掘领域中的一个重要研究方向，它通过挖掘数据库中的数据项集之间的某种潜在关系，从而在大量数据中发现一些潜在和有趣的关联关系，以此为依据来帮助决策者作出合理、适当的决定。对遥感影像进行关联规则挖掘，可以将每一个图像看作一个事务或将图像中每一个对象看作一个事务，从中找出不同图像间或不同对象间出现频率高的模式。遥感影像中中往往会涉及到两个以上因子相互作用，这类问题可以归结为多维关联或多因子关联，求解多维关联之间的规律或模式是多维关联规则挖掘问题。最经典的关联规则挖掘是Apriori算法。

Apriori算法作为最经典的布尔关联规则挖掘算法由Agrawal等在1994年提出，这是一个基于两阶段频集思想的方法，将关联规则挖掘算法的设计可以分解为两个子问题：1.找到所有支持度大于最小支持度的项集(Item Set)，这些项集称为频繁项集(FrequentItem Set)；2.使用第1步找到的频集产生期望的规则。Apriori算法利用候选项集和频集的相互作用，得到了全部频集，并通过对候选项集进行剪枝，大大地减少了候选项集的尺寸，获得了令人满意的结果。然而，当面对挖掘对象具有繁多的频繁模式或者用户给定的最小支持度较低时，Apriori算法仍然有可能因为如下两个方面的巨大开销而面临困境：

1.在处理候选项集方面，如果算法得到了大量的频繁1-项集，那么，在产生候选2-项集时，会遇到大量候选2-项集难以处理的情况。例如：假设算法得到的频繁1-项集的数量是104，则根据Apriori算法，会产生超过107个候选2-项集，由于剪枝对候选2-项集根本不起作用，所以这些候选项集都需要检验。此外，在面对频繁模式的尺寸较大时，同样会产生大量的候选项集需要检验。所以，在有大量候选项集产生的情况下，Apriori算法效率不理想。

2.Apriori算法采用的模式匹配方式，在检测大量的候选项集，特别是在挖掘长模式时，对数据库的重复扫描非常多，大量的时间消耗在内存与数据库中的数据的交换上。

有关文献：Jiawei Han，Micheline Kamber.Data Mining Concepts and Techniques[M].John A.Richards，Xiuping Jia.Remote Sensing Didital Image Analysis[M].

综上所述，现有的遥感影像关联规则挖掘方法中的Apriori算法需要很大的计算开销，而且可能产生庞大的候选集，执行效率偏低，不适合用作海量数据的分析方法。

近年来兴起的人工免疫系统AIS(Artificial Immune System)的研究是一个崭新的应用领域，而且人工免疫系统发展迅速，成为智能系统中继模糊逻辑、神经网络、遗传算法之后的又一研究热点。人们基于生物免疫原理提出了多种人工免疫模型和算法，并应用于自动控制、故障诊断、优化计算、模式识别、机器学习、数据分析等领域。人工独特型网络理论主要与抗体有关，认为抗体具有能够识别抗原的抗体决定位和能够被其他抗体识别的抗原决定位，即独特位。抗体之间通过独特位彼此沟通、互相联系、互相制约形成网络结构。网络学说立足于抗体分子的双重性，它既可以与特定抗原结合返回抗体作用，又借助于自身的独特型抗原决定簇引发免疫反应。