免責聲明：本文僅代表個人觀點，如有錯誤，請讀者自己鑑別；如果本文不小心含有別人的原創內容，請聯繫我刪除；本人心血製作，若轉載請註明出處
本文出處：本博客是根據 “何同弟” 的博士論文 “高光譜圖像的分類技術研究”的“基於自適應PSO 的RBF網絡分類算法實現”一節而寫，大部分細節皆取自此文，如有興致，請直接查看原文。
①、讀入訓練樣本和測試樣本
C1
、C2 、C3
、C4、C5
、C6 、C7表示被分類的7種類別屋頂、道路、草地、樹木、小路、水體、和陰影。
②、數據歸一化處理
③、RBF網絡核函數參數的訓練
用PSO進行RBF網絡核函數參數的優化的過程如下：
1）初始化粒子羣及神經網絡，確定粒子羣規模也就是維數, 建立PSO粒子的維度空間與神經網絡連接權值之間的映射。
設定羣體規模爲20=N，最大迭代次數Tmax=100,隨機生成羣體位置矩陣X和速度矩陣V：
2）計算各粒子的適應度，使用神經網絡的均方誤差作爲 PSO 的適應函數
3）對每個粒子，比較它的適應度與它經歷最好位置的適應度，如果更好， 更新pbest
4）對每個粒子，比較它的適應度與羣體所經歷最好位置的適應度，如果更好，更新gbest
5）根據公式(3.10) 和（3.11)更新粒子的速度和位置
