1.粒子群优化多核支持向量回归的光谱反射率重建方法，其特征在于，包括以下步骤：步骤1，采集多光谱图像获取通道响应G数据，利用分光光度计获取光谱反射率数据，建立数据集；

步骤2，通过样本选取方法确定训练样本个数；

步骤3，构造多核核函数；

所述多核核函数的构造过程是：

3.1)，根据光谱数据本身具有高维度、小样本、数据不规则的特点，分别利用全局核函数和局部核函数对RAL色卡的反射率进行重建；

3.2)，根据步骤3.1)的重建结果，分析每个核函数的重建精度；

3.3)，根据步骤3.2)每个核函数的重建精度分析结果，结合全局核函数和局部核函数的特点，选择出：

多项式核函数：

t d

K(x,y)＝(xy+1)   (1)t

式中，x,y为n维输入值，x为输入向量x的转置，d为多项式核函数的阶数；

柯西核函数：

式中，x,y为n维输入值，σ为柯西核函数的宽度；

将式(1)和式(2)的函数进行非线性组合，构造出具有泛化能力和学习能力的多核核函数：

式中，d为多项式核函数的阶数，柯西核函数的宽度为σ，其中σ主要控制各个支持向量之间的关联关系，Kcp为本发明多核核函数的表示；

建立支持向量回归模型，根据回归决策函数公式中， 和 是拉格朗日乘子，b为偏移量，SV为支持向量；

利用粒子群优化方法优化参数，对多项式核函数的阶数d、柯西核函数的宽度σ进行优化，同时对支持向量回归模型中的惩罚因子C进行优化；

结合经过粒子群优化方法优化参数后的多核核函数，得到最终的回归决策函数：步骤3，利用最终的回归决策函数对反射率进行重建，并与所述步骤1中的反射率数据进行对比分析。

2.根据权利要求1所述的粒子群优化多核支持向量回归的光谱反射率重建方法，其特征在于，所述步骤1中建立数据集的具体过程是：将分光光度计对准RAL色卡每个色块，测取光谱反射率数据；利用多光谱成像设备，获取每个色块的多光谱图像，从而获取每个通道下图像的响应值G数据。

3.根据权利要求1所述的粒子群优化多核支持向量回归的光谱反射率重建方法，其特征在于，所述利用粒子群优化方法优化参数的具体过程是：每个待优化问题解都是搜索空间中的“粒子”，每个粒子都有自身适应度和记忆功能，可判断当前位置的好坏程度并记录所搜索到的最佳位置，通过与其它粒子之间的协作与信息传递，使整体粒子达到最佳适应的位置，用数学模型表示为：vi(k+1)＝w*vi(k)+c1*rand()*(Pibest‑xi(k))+c2*rand()*(gbest‑xi(k))xi(k+1)＝xi(k)+vi(k+1)    (6)其中vi(k)、vi(k+1)、xi(k)、xi(k+1)分别是第i个粒子当前时刻、下一时刻的速度和位置；rand()是[0,1]之间的随机数，c1、c2是学习因子，分别表示粒子的自我认知和社会认知能力，通常值取为2；w为惯性权值；当前时刻的个体极值记为Pibest，全局极值记为gbest；

4.1)初始化粒子群，多核函数Kcp与支持向量回归函数SVR中的待优化参数(d,σ,C)作为搜索空间的一个粒子，随机化粒子的速度和位置，设定粒子群规模、最大迭代次数以及学习因子、惯性权重；采用粒子群优化算法对以上待优化参数进行优化；

4.2)计算适应度，适应度函数表示为 每个粒子的当前适应值与其个体极值Pibest进行对比；若当前MSE值较高，则用当前位置更新其个体极值Pibest所在位置，否则保留原值；同理，确定全局极值gbest最佳位置；

4.3)更新，根据式(6)更新每个粒子的速度与位置；

4.4)判断是否满足终止条件，算法达到最大迭代次数或者所得解不再发生变化就终止迭代，否则返回步骤4.3)；

4.5)根据步骤4.4)获得最优参数值，作为最终回归决策函数的参数。

4.根据权利要求1所述的粒子群优化多核支持向量回归的光谱反射率重建方法，其特征在于，建立支持向量回归模型的具体过程是：训练样本集为S＝{(x1,y1),...,(xi,yi)}，n

其中xi∈R 为输入向量，yi∈R为对应的输出值，在引入损失函数ε的基础上，寻找一个回归超平面函数f(x)＝ω·x+b；其中，ω·x表示为内积运算，ω为权值系数向量，b为偏移量；为了确定ω、b值，通过最小化正则风险函数原则，转化为求目标函数最优化问题:式中，C是支持向量回归模型中的惩罚因子，它决定了函数光滑程度与函数值误差超过ε管道的样本点数目之间的平衡，从而使所建立的模型达到最好的推广性；ξi， 为松弛因子，即允许存在不满足约束条件的训练样本存在；上式(7)为一个凸二次规划问题，为了求解引入拉格朗日函数：

式中， 、 γi、 为拉格朗日乘子，由上式可得到如下对偶问题：求解式(9)得到最优的拉格朗日乘子 、 当乘子 ， 时，所对应的样本称为支持向量Support Vector，即SV；由支持向量计算出偏移量b，即，为了计算的可靠性，对支持向量分别求b值，然后求他们的平均值，即有，式中，NNSV为标准支持向量的个数，得到的回归决策函数为：根据式(4)可知，核函数是影响回归决策函数的因素之一，根据不同的问题环境，核函数的针对性、选择性及适应性也不同，从而导致决策函数回归预测的效果有所差异；为使决策函数既具有全局性又具有局部性，在支持向量回归机中引入多核核函数；因此，式(4)引入粒子群优化方法优化参数后的多核核函数，得到最终的回归决策函数为：