高光谱光谱特征波长的选择方法之遗传算法

高光谱成像仪获取的光谱信息存在很多无用的信息，因此就需要进行特征波长的提取，以提取有用的信息，保证预测模型建立的准确性。本文对高光谱光谱特征波长的选择方法之遗传算法做了简要的介绍。

高光谱光谱特征波长的选择方法之遗传算法介绍：

由于高光谱分辨率较高，获得的原始光谱光谱数据量较大，其中包含有大量与被测组分不相关、无用的信息，并非所有波段数据都利于模型的建立，而那些冗余信息可能影响模型的预测精度和建模速度，因此，有必要对采集到的光谱波长变量进行优选，通过提取特征波长，压缩输入变量个数和减少数据信息重叠，降低模型复杂度，提高数据处理效率和模型预测性能。

遗传算法（GA）是研究人员提出的一种借鉴生物界自然进化过程寻求最优解的算法，优胜劣汰，达到最优结果。实现遗传算法包括5个基本要素：参数编码；群体的初始化；适应度函数的设计；遗传操作设计；收敛判据和变量的选择。

高光谱光谱特征波长的选择方法之遗传算法流程：

1.参数编码：通过编码将空间数据表示基因型串结构数据；

2.群体初始化：随机或依据一定规则产生一个已定大小的初始群体，群体大小的数目可根据参数的多少选定；

3.选择适应度函数：选择合适的适应度函数对遗传算法产生的个体进行优劣评价；

4.遗传操作：通过选择把适应度高的个体直接遗传到下一代，或通过交叉交换部分基因以及变异补充某些基因而产生新的下一代；

5.收敛判据：基本采用启发式的收敛判据，判断遗传操作是否满足终止条件，直至满足终止条件；

6.变量选取：在遗传迭代停止后，按选取频率重新对所有变量排列，通过所选变量数与适应度函数作图而选出最佳变量数，得出选取的变量。