[发明专利]一种基于遗传算法的分类规则阈值优化方法

权利要求书

1.一种基于遗传算法的分类规则阈值优化方法，其特征在于，包括以下步骤：

步骤一、准备遥感数据，包括现有分类结果数据和分类特征数据；

步骤二、根据所提供的分类规则拆分出此分类规则所涉及的分类特征和阈值，该阈值作为遗传算法的推荐解；

步骤三、统计分类规则所涉及的分类特征在分类特征数据中的值域，用于约束遗传算法的优化过程；

步骤四、初始化遗传算法，将步骤三中得到的分类特征在分类特征数据中的值域范围作为阈值的下限和上限，指定推荐解为步骤二中提供的阈值；

步骤五、创建遗传算法的评估函数，根据分类规则及相应阈值进行分类，与现有分类结果数据进行比较并计算错误率，将此错误率作为评估函数的适应度；

步骤六、创建遗传算法的监控函数，记录每一代的最小错误率，并在最小错误率不再改变时结束迭代；

步骤七、重复步骤四至步骤六对遗传算法进行迭代，直至当前最小错误率不再改变，得到一系列阈值和对应的最小错误率，该最小错误率对应的阈值即为优化阈值。

2.根据权利要求1所述的一种基于遗传算法的分类规则阈值优化方法，其特征在于，步骤一中，选择2019年吉林向海国家级自然保护区的部分湿地解译结果作为现有分类结果数据；利用Google Earth Engine云平台将相关特征合并成为一幅影像作为分类特征数据。

3.根据权利要求2所述的一种基于遗传算法的分类规则阈值优化方法，其特征在于，步骤三中，采用R语言quantile函数获取1％分位数作为阈值下限，获取99％分位数作为阈值上限。

4.根据权利要求3所述的一种基于遗传算法的分类规则阈值优化方法，其特征在于，步骤四中，基于R语言genalg包rbga函数初始化遗传算法，将计算的阈值下限、阈值上限、推荐阈值传递给初始化函数，种群规模设为200，迭代次数设为100，变异率为0.01。

5.根据权利要求4所述的一种基于遗传算法的分类规则阈值优化方法，其特征在于，步骤五中，编写遗传算法的evalFunc函数，首先记录遗传算法产生的随机阈值，然后根据分类规则所涉及的分类特征和这些随机阈值进行分类，获取分类结果；将分类结果与现有分类结果逐像素比较，计算错误率作为适应度。

6.根据权利要求5所述的一种基于遗传算法的分类规则阈值优化方法，其特征在于，步骤六中，编写遗传算法的monitorFunc函数，首先获取并记录当前迭代种群下的最小错误率，然后查找记录中前30次迭代的逐代最小错误率，若当前最小错误率不再改变，对应的30个最小错误率的方差为0，则中止优化，否则继续进行优化。

7.根据权利要求6所述的一种基于遗传算法的分类规则阈值优化方法，其特征在于，步骤六中，最小错误率不再改变的判定方式采用差分求和方法。

8.根据权利要求6所述的一种基于遗传算法的分类规则阈值优化方法，其特征在于，步骤七中，运行rbga函数，不断迭代优化，直至最小错误率不再改变，得到一系列阈值和对应的最小错误率，最小错误率对应的阈值即为优化阈值，并更新规则。