于夢馨 劉波,2,3 湯恩生

?

改進粒子群算法優(yōu)化SVM參數的遙感圖像分類

于夢馨1劉波1,2,3湯恩生4

（1 湖南農業(yè)大學信息科學技術學院，長沙 410128）（2 邵陽學院湘西南農村信息化服務湖南省重點實驗室，邵陽 422000）（3 湖南省農村農業(yè)信息化工程技術研究中心，長沙 410128）（4 中國空間技術研究院，北京 100094）

文章使用支持向量機（SVM）分類算法，結合當下應用較為廣泛的智能優(yōu)化算法，對SVM的參數進行優(yōu)化選取，以期能夠提高遙感圖像的分類精度。針對粒子群算法（PSO）優(yōu)化SVM分類器參數時，存在著容易早熟收斂、分類精度相對較低、容易陷入局部最優(yōu)解的問題，提出了一種以自適應權重粒子群算法（SAPSO）為基礎，引入遺傳算法交叉算子的混合優(yōu)化算法（SAPSO-GA），利用這種改進的算法優(yōu)化SVM參數對遙感圖像進行分類。文章以一景Quick Bird衛(wèi)星遙感影像為例，對影像進行圖像融合等預處理，然后分別使用PSO-SVM算法和SAPSO-GA-SVM算法進行土地利用分類，比較分析兩種算法的分類精度，結果表明，改進的算法提高了粒子群算法的搜索性能，能夠尋找更佳SVM分類器參數，獲得較高的分類精度。

支持向量機 粒子群算法 遺傳算法 遙感圖像分類

0 引言

近30年來，遙感技術及其應用發(fā)展迅速，遙感影像憑借廣闊的覆蓋度、迅速的時效性和較高水平的經濟效益等特點，已經在多個領域得到了廣泛的應用，如氣象、環(huán)境、國土規(guī)劃等，并且成為人們獲得有效數據和信息的重要來源之一。對這些海量遙感影像數據進行分類識別，來獲得更準確、更高分類精度的地物信息，已經成為一個迫切需要解決的問題[1-3]。目前國內外學者將一系列的機器學習算法應用于遙感圖像的分類研究，如決策樹、人工神經網絡、K-means等。理論上，這些機器學習算法想要獲得比較高的分類精度，其所選的訓練樣本數量必須足夠多，而對訓練數據進行標注需要耗費大量的人力物力和時間成本[4]；在一些實際應用中很難保證選取足夠的訓練數據，使這些算法具有一定的局限性。而支持向量機（SVM）分類算法具有小樣本、非線性以及高維模式識別的特點，相比于其他機器學習算法具有獨特的優(yōu)勢，使其在手寫識別、圖像分類，語言識別等諸多分類研究領域中得到了廣泛的應用[5]。研究表明，使用徑向基核函數（RBF）的SVM的分類精度受核參數和懲罰因子的影響較大，和共同影響著支持向量機對測試集的分類精度以及推廣能力，決定了樣本特征子空間分布的復雜程度，而通過對錯分率的控制來影響SVM的推廣能力[6]，不恰當的參數的選擇，會導致SVM分類精度的下降。因此，SVM的參數優(yōu)化是很多學者一直關注的問題[7]。為了尋找最佳的SVM分類器參數，減少分類時間，提高分類精度，文獻[8-10]使用粒子群（Particle Swarm Optimization，PSO）算法對SVM參數進行尋優(yōu)，文獻[11-12]應用遺傳算法（Genetic Algorithm，GA）對進行尋優(yōu)，文獻[13]提出了雙重變異粒子群算法，以期尋找更佳的參數組合。本文在前人的研究基礎上，提出了一種以自適應權重粒子群算法為基礎，融合遺傳優(yōu)化算法交叉思想的混合尋優(yōu)算法，用于SVM分類器參數的尋優(yōu)，提高遙感影像的分類精度。

1 SVM和PSO原理

1.1 SVM基本原理

支持向量機是由Vapnik首先提出的，它的分類原理是有限的樣本特征值在分類模型的復雜性和自學習能力之間尋找最佳的平衡點，使目標函數達到最佳泛化能力[14]。傳統(tǒng)的學習算法，如人工神經網絡，只考慮分類器對訓練樣本的擬合情況，容易出現(xiàn)過度擬合的情況，導致其推廣能力降低。SVM以結構化風險最小化為原則，它將樣本數據映射到一個高維的空間里，并在其中尋找且建立一個最大分類間隔的超平面作為決策曲面，在決策曲面的兩邊建立兩個平行的超平面1、2，1與2的間距越大，SVM分類器的誤差越小[15]。圖1為SVM分類示意。1，2上的樣本為支持向量，所以尋找最優(yōu)分類超平面的問題可以轉化成優(yōu)化模型[15-17]

式中 為第i個樣本的特征和類別標簽；w為分類超平面的法向量，為分界面到支持向量的寬度，值越大，則分界面寬度越小；為從低維空間向高維空間的映射；b為偏差項；c為懲罰因子；是為解決不可分問題而引入的松弛項。

徑向基核函數的表達式為

核參數的取值對分類精度的影響較大。而懲罰因子則通過對錯分率的控制來影響SVM的推廣能力，如果懲罰因子取一個相對較大的值，則訓練樣本的擬合程度較高，SVM分類器的推廣能力較弱。從式（2）中可以看出，函數與和無關，僅為的函數，先求解進而就可以求得和，最后確定最優(yōu)分類超平面。

1.2 粒子群算法的基本原理

粒子群算法（PSO）是一種智能優(yōu)化算法[18]，在1995年，由Eberhart博士和kennedy博士通過對鳥類捕食行為的研究而提出的。在粒子群算法中，個體被稱為“粒子”，在一個維搜索空間中，設X=（x1，x2，，x），V=（v1，v2，…，v，在每一次迭代中，粒子通過跟蹤個體極值（best）和群體極值（best）來更新自身的速度和位置，個體極值（best）即粒子本身找到的最優(yōu)解，P=（p1，p2，…，p）；群體極值（best）即整個種群中所找到的最優(yōu)解，P=（p1，p2，…，p）；粒子更新自身速度和位置為

式中為慣性權重；v為粒子的速度；x為粒子位置；為迭代尋優(yōu)的次數；1、2為分布在0到1之間的隨機數；1、2為學習因子；P為個體最優(yōu)解；P為種群最優(yōu)解[15]。

PSO是根據自己的速度來決定搜索，它保留了基于種群粒子的全局搜索方法，使用速度—位移模型。該算法容易實現(xiàn)，參數少，避免了遺傳算法交叉、變異的復雜操作。

2 改進的粒子群優(yōu)化算法

2.1 改進慣性權重的粒子群優(yōu)化算法

集合PSO和GA兩種算法的優(yōu)點，本文提出一種以自適應權重粒子群算法（SAPSO）為基礎，引入遺傳算法（GA）交叉算子的混合尋優(yōu)算法，以此來提高粒子群算法的搜索性能。首先，將標準粒子群算法中的慣性權重進行改進，采用一種非線性的動態(tài)慣性權重系數公式，來平衡粒子群算法的全局和局部搜索能力[15]

式中為粒子當前的目標函數值；avg和min分別為當前所有粒子的平均值和最小值。

慣性權重描述的是粒子的當前速度受先前速度的影響，當取值較大時，粒子的前一速度影響較大，有利于全局搜索；當取值較小時，粒子前一速度影響較小，此時更有利于后期局部搜索。通過調節(jié)慣性權重的取值來跳出局部極小值。的值隨著粒子目標函數值的改變而改變，所以稱為自適應權重。

2.2 引入遺傳交叉算子的粒子群優(yōu)化算法

在遺傳算法中，交叉和變異是最主要的兩個操作步驟，它們完成了由父代到子代個體間的信息傳遞，保證了個體的優(yōu)化進程[19]，所以本文擬將遺傳算法中的交叉思想與粒子群算法相結合，增加種群粒子的多樣性，改善粒子群算法容易早熟收斂，陷入局部最優(yōu)解的問題。在本文改進的算法中，交叉的具體思想為：在每一次迭代中，把粒子的適應度值按從大到小進行排序，粒子的適應度值越大，其適應性就越好，本文的適應度函數為3-fold交叉驗證下分類準確率的平均值。首先選取適應度值較高的粒子直接進入下一代，以保證下一代粒子相對較優(yōu)；同時把適應度值較高的前一半粒子的位置和速度賦給適應度值較低的后一半粒子，這部分粒子進行兩兩隨機交叉，然后產生相同數目的子代粒子，并由子代粒子替換父代粒子；其中子代粒子的位置、速度的計算為

式中為0到1之間的隨機數；parent1（），parent2（）為兩個不同的父代粒子的速度；parent1（），parent2（）為兩個不同的父代粒子的位置；這樣既利用了PSO算法的快速收斂能力，還可以通過GA算法的交叉步驟產生新粒子，增加粒子的多樣性，跳出局部最優(yōu)。改進粒子群算法（SAPSO-GA）具體步驟如下：

1）初始化相關參數以及種群粒子的速度，計算粒子的初始適應度值。

2）尋找初始極值，根據初始粒子的適應度值確定個體極值best和群體極值best。

3）根據式（6）更新慣性權重；根據式（4）、（5）更新粒子的速度和位置。

4）計算每個粒子當前位置的適應度值；把粒子的適應度值按照從大到小進行排序，選取適應度值較高的前一半粒子直接進入下一代，并將速度和位置賦給適應度值較低的后一半粒子，這部分粒子進行兩兩隨機交叉，產生相同數目的粒子，并由子代粒子替換親代粒子。

5）根據新粒子的適應度值更新個體極值best和群體極值best。

6）若滿足停止條件或超過最大迭代次數，則輸出最優(yōu)解；否則跳轉至步驟（3）繼續(xù)搜索。

圖2為本文改進算法的技術流程圖。

3 改進粒子群算法優(yōu)化SVM參數在遙感圖像分類中的應用

3.1 算法驗證

為了驗證本文提出的改進算法的分類性能，使用UCI數據庫中著名的Iris數據集對算法進行驗證[15]，Iris數據集共有150個樣本，有Setosa、Versicolor和Virginica三個類別，從每個類別中隨機抽取30組試驗數據作為訓練集，剩下的數據作為測試集，分別用PSO-SVM和本文改進的算法SAPSO-GA-SVM進行試驗（其中進化代次數為200，種群數目為10，的范圍為0.1~100，的范圍為0.01~10，學習因子1=1.5，2=1.7，慣性權重max=0.9，min=0.4，），得到試驗結果見表1。

表1 Iris試驗結果

Tab.1 Iris experimental result

試驗結果表明本文改進的算法的分類精度優(yōu)于PSO-SVM，改進的算法可糾正4個錯分樣本，分類精度提高了2.67%。

3.2 遙感圖像分類

本文選取1幅Quick Bird高分辨率衛(wèi)星影像數據，分別利用PSO-SVM和SAPSO-GA-SVM兩種方法對研究區(qū)進行土地利用分類試驗。本文所選研究區(qū)大小是560像素×560像素。首先對影像進行相關預處理，然后采用 ENVI 軟件中NNDiffuse Pan Sharpening方法將全色波段與多光譜波段進行融合，融合得到的為新的樣本數據。選取影像一角，融合效果比較如圖3所示。

本文通過遙感影像的目視解譯，對研究區(qū)建立植被、裸地、道路、水域、建筑陰影共6個類別的分類樣本，樣本數共2 240個。對數據進行歸一化處理，利用3-fold交叉驗證法進行分類器訓練及驗證，即將訓練數據集分為幾部分去訓練分類器并同時驗證它，目的是在驗證過程中實現(xiàn)最優(yōu)的分類精度[20]。本文算法的具體參數設置如下，種群數目為20，的范圍為0.1～100，的范圍為0.01～10，學習因子1=1.9，2=2，慣性權重取最大值max=0.9，最小值min=0.4，粒子的最大進化代數為200次。然后分別采用PSO-SVM和SAPSO-GA-SVM對研究區(qū)進行分類，整個分類過程在Windows10 MATLAB2016Ra的環(huán)境下實現(xiàn)。

圖3 影像融合前后比較

3.3 結果分析

評價分類結果是遙感影像分類過程中一項重要的工作。常用的遙感影像分類結果的精度評價方法有混淆矩陣、總體分類精度、Kappa系數等。為了驗證本文改進算法的有效性，用改進算法的分類結果與PSO-SVM方法的分類結果進行了比較。本文取多次試驗的平均值，從表2試驗結果分析可得，SAPSO-GA-SVM算法的分類精度要優(yōu)于PSO-SVM算法的分類精度，平均分類精度提高了5.07%。在對參數的優(yōu)化過程中，改進算法的懲罰因子取值相對較高，即分類允許的誤差較小。時間上，改進PSO-SVM算法運算量略有增加，但計算簡單，搜索時間在PSO-SVM的基礎上略有增加。為了更直觀顯示兩種算法的分類效果，本文選取研究區(qū)中2塊局部區(qū)域進行對比分析，其中區(qū)域1內主要為水體和建筑，區(qū)域2為居民區(qū)，分類結果如圖4所示。

表2 分類結果

Tab.2 Classification result

圖4 分類結果

從圖4中可以看出，區(qū)域1內，PSO-SVM算法將部分水體和陰影混淆，而改進的算法明顯改善了水體和陰影的混淆情況，提高了影像的分類精度；區(qū)域2內，PSO-SVM算法的分類結果稍有混亂，陰影、道路、建筑物三者有不同程度的混淆，居民區(qū)的建筑物和陰影被錯分的像元較多，部分道路和建筑物也有混淆；而改進的算法更好地區(qū)分了居民區(qū)的陰影和建筑物，僅有少量的建筑物和道路混淆。綜上所述，較PSO-SVM算法，SAPSO-GA-SVM算法的分類結果更加準確。

4 結束語

本文針對粒子群算法（PSO）優(yōu)化SVM分類器參數時，存在著容易早熟收斂，分類精度相對較低、容易陷入局部最優(yōu)解的問題，提出了一種以自適應權重粒子群算法（SAPSO）為基礎，引入遺傳算法交叉算子的混合優(yōu)化算法（SAPSO-GA），改進算法在Windows10 MATLAB2016Ra編程實現(xiàn)，綜合了GA、PSO算法的優(yōu)點。通過對Iris數據集和遙感影像分類的試驗可知，SAPSO-GA-SVM算法從整體上提高了SVM算法的分類性能，主要體現(xiàn)在以下方面：

1）通過采用非線性的動態(tài)慣性權重系數公式，可以更好地平衡PSO算法的全局搜索能力和局部改良能力。對于適應度值較優(yōu)的粒子，其所對應的慣性權重系數較小，從而保護了該粒子；反之對于適應度值較差的粒子，其所對應的慣性權重系數較大，使得該粒子能夠向較好的搜索區(qū)域靠攏。

2）融入了GA算法的交叉思想，產生了新的個體，增加了粒子的多樣性，克服了標準粒子群算法在處理某些實際問題時容易陷入局部優(yōu)解的問題。

上述2個方面的改進相輔相成，能夠快速有效地尋找最佳 SVM 分類器參數，提高SVM分類精度，試驗結果表明，改進的SVM 算法具有較高可行性。

[1] 李萌. 基于支持向量機的高分遙感影像分類技術研究與應用[D]. 北京: 中國地質大學, 2015. LI Meng. A High Spatial Resolution Remote Sensing Image Classification Study Based on SVM Algorithm and Application[D]. Beijing: China University of Geosciences, 2015. (in Chinese)

[2] 劉丹. 基于支持向量機與k-means混合分類模型的多光譜遙感影像分類研究[D]. 昆明: 昆明理工大學, 2013. LIU Dan. Research on Multi Spectral Remote Sensing Image Classification Based on the Hybrid Model of SVM and k-means[D]. Kunming: China Kunming University of Science and Technology, 2013. (in Chinese)

[3] 高幸. 基于SVM的圖像分類與標注方法的研究[D]. 北京: 北京交通大學, 2015. GAO Xing. Research of Image Classification and Annotation Based on SVM[D]. Beijing: China University of Geosciences, 2015. (in Chinese)

[4] 蔣韜. 基于遺傳粒子群優(yōu)化算法的遙感圖像分類方法研究與應用[D]. 北京: 首都師范大學, 2013. JIANG Tao. Research and Application of Remote Sensing Image Classification Based on Genetic Particle Swarm Optimization (PSO) Algorithm[D] . Beijing: Capital Normal University, 2015. (in Chinese)

[5] 王振武, 孫佳駿, 于忠義, 等. 基于支持向量機的遙感圖像分類研究綜述[J]. 計算機科學, 2016, 43(9): 11-17. WANG Zhenwu, SUN Jiajun, YU Zhongyi, et al. Review of Remote Sensing Image Classification Based on Support Vector Machine[J]. Computer Science, 2016, 43(09): 11-17. (in Chinese)

[6] 施冬艷. 基于GA-PSO優(yōu)化分層DT-SVM混合核的遙感圖像分類研究[D]. 南京: 南京郵電大學, 2014. SHI Dongyan. The Classification and Application of Remote Sensing Image Based on GA-PSO Optimization and HDT-SVM[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2014. (in Chinese)

[7] 汪海燕, 黎建輝, 楊風雷. 支持向量機理論及算法研究綜述[J]. 計算機應用研究, 2014, 31(5): 1281-1286. WANG Haiyan, LI Jianhui, YANG Fenglei. Overview of Support Vector Machine Analysis and Algorithm[J]. Application Research of Computers, 2014, 31(05): 1281-1286. (in Chinese)

[8] FEI Weisheng, WANG Junming, MIAO Binyu, et al. Particle Swarm Optimization-based Support Vector Machine for Forecasting Dissolved Gases Content in Power Transformer Oil[J]. Energy Conversion and Management, 2009, 50(6): 1604-1609.

[9] 余梓唐. 基于粒子群算法優(yōu)化支持向量機汽車故障診斷研究[J]. 計算機應用研究, 2012, 29(2): 572-574. YU Zitang. Automotive Fault Diagnosis Based on SVM and Particle Swarm Algorithm[J]. Application Research of Computers, 2012, 29(2): 572-574. (in Chinese)

[10] 臧卓, 林輝, 楊敏化. 基于PSO-SVM的高光譜數據降維的可靠性研究[J]. 中國農學通報, 2011, 27(31): 47-52. ZANG Zhuo, LIN Hui, YANG Minhua. Reliability Study on Dimension Reduction of Hyperspectral Data Based on PSO-SVM Algorithm[J]. Chinese Agricultural Science Bulletin, 2011, 27(31): 47-52. (in Chinese)

[11] 劉希亮, 趙學勝, 陸鋒, 等. 基于GA-SVM的露天礦拋擲爆破拋擲率預測[J]. 煤炭學報, 2012, 37(12): 1999-2005. LIU Xiliang, ZHAO Xuesheng, LU Feng, et al. A GA-SVM based Model for Throwing Rate Prediction in the Open-pit Cast Blasting[J]. Journal of China Coal Society, 2012, 37(12): 1999-2005. (in Chinese)

[12] ZHOU Jiashuai, WANG Qi, GAO Jun. An Approach for Load Balancing in Mapreduce via Dynamic Partitioning[J]. Journal of Computer Research and Development, 2013, 50(suppl): 369-377.

[13] 張軍, 王遠強, 朱新山. 改進PSO優(yōu)化神經網絡的短時交通流預測[J]. 計算機工程與應用, 2017, 53(14): 227-231. ZHANG Jun, WANG Yuanqiang, ZHU Xinshan. Short-term Prediction of Traffic Flow Based on Neural Network Optimized Improved Particle Swarm Optimization[J]. Computer Engineering and Applications, 2017, 53(14): 227-231. (in Chinese)

[14] 由佳, 張懷清, 陳永富, 等. 基于“高分四號”衛(wèi)星影像洞庭湖濕地信息提取[J]. 航天返回與遙感, 2016, 37(4): 116-122. YOU Jia, ZHANG Huaiqing, CHEN Yongfu, et al. Comparative Study of Dongting Lake Wetland Information Extraction Based on GF-4 Satellite Image[J]. Spacecraft Recovery & Remote Sensing, 2016, 37(04): 116-122. (in Chinese)

[15] 張俊紅, 劉昱, 馬文朋, 等. 基于 GAPSO-SVM 的航空發(fā)動機典型故障診斷[J]. 天津大學學報, 2012, 45(12): 1057-1061. ZHANG Junhong, LIU Yu, MA Wenpeng, et al. Typical Fault Diagnosis of Aircraft Engine Based on GAPSO-SVM[J]. Journal of Tianjin University, 2012, 45(12): 1057-1061. (in Chinese)

[16] 徐曉明. SVM參數尋優(yōu)及其在分類中的應用[D]. 大連: 大連海事大學, 2014. XU Xiaoming. SVM Parameter Optimization and Its Application in the Classification[D]. Dalian: Dalian Maritime University, 2014. (in Chinese)

[17] 廖周宇, 王鈺婷, 謝曉蘭, 等. 基于粒子群優(yōu)化的支持向量機人臉識別[J]. 計算機工程, 2017, 43(12): 248-254. LIAO Zhouyu, WANG Yuting, XIE Xiaolan, et al. Face Recognition by Support Vector Machine Based on Particle Swarm Optimization[J]. Computer Engineering, 2017, 43(12): 248-254. (in Chinese)

[18] 龔純, 王正林. 精通MATLAB最優(yōu)化計算(第3版)[M]. 北京: 電子工業(yè)出版社, 2014. GONG Chun, WANG Zhenglin. Well Versed in MATLAB Optimization Calculation (Third Edition)[M]. Beijing: Electronic Industry Press, 2014. (in Chinese)

[19] 馬永杰, 云文霞. 遺傳算法研究進展[J]. 計算機應用研究, 2012, 29(04): 1201-1206+1210. MA Yongjie, YUN Wenxia. Research Progress of Genetic Algorithm[J]. Application Research of Computers, 2012, 29(04): 1201-1206+1210. (in Chinese)

[20] 鄧曾, 李丹, 柯櫻海, 等. 基于改進SVM算法的高分辨率遙感影像分類[J]. 國土資源遙感, 2016, 28(3): 12-18. DENG Zeng, LI Dan, KE Yinghai, et al. An Improved SVM Algorithm for High Spatial Resolution Remote Sensing Image Classification[J]. Remote Sensing for Land and Resources, 2016, 28(3): 12-18. (in Chinese)

（編輯：王麗霞）

Remote Sensing Image Classification Based on Improved PSO Support Vector Machine

YU Mengxin1LIU Bo1,2,3TANG Ensheng4

（1 Information Science and Technology College of Hunan Agricultural University, Changsha 410128, China）（2 Hunan Provincial Key Laboratory of Information Service in Rural of Southwestern Hunan, Shaoyang 422000, China）（3 Hunan Engineering Technology Research Center of Agricultural & Rural Information, Changsha 410128, China）（4 China Academy of Space Technology, Beijing 100094, China）

In order to improve the classification accuracy of remote sensing images, the support vector machine (SVM) classification algorithm is combined with the more widely used intelligent optimization algorithms in the paper. In optimizing the SVM classifier parameters using particle swarm optimization (PSO), serveral issues should be solved, such as premature convergence, low classification accuracy and possibility of local optimal solutions. Therefore, based on self-adaptive particle swarm optimization (SAPSO), the genetic algorithm crossover operator (SAPSO-GA) is proposed. This improved algorithm is used to optimize SVM parameters for classifying the remote sensing images. Taking a Quick Bird remote sensing image as an example，image fusion and other preprocessing are executed, and then the PSO-SVM algorithm and the SAPSO-GA-SVM algorithm are used to classify the land use. The results show that the improved PSO-SVM algorithm can effectively find the best parameters of SVM classifier, and achieve higher classification accuracy.

support vector machine; particle swarm optimization; genetic algorithm; remote sensing image classification

TP75

A

1009-8518(2018)02-0133-08

10.3969/j.issn.1009-8518.2018.02.015

2018-01-09

湘西南農村信息化服務湖南省重點實驗室開放基金課題（XAI20150326），湖南省科技廳重點項目（2015NK2145，2016NK2118），2014湖南省教育廳科研一般項目（14C0542），2016年度湖南農業(yè)大學“大學生創(chuàng)新性實驗計劃項目（XCX16094），湖南農業(yè)大學團委科技創(chuàng)新立項項目（自科類2016ZK15，2017ZK25）

于夢馨，女，1993年生, 2015年獲濱州學院地理信息系統(tǒng)專業(yè)學士學位，現(xiàn)在湖南農業(yè)大學農業(yè)信息工程專業(yè)攻讀碩士學位，主要研究方向為農業(yè)遙感技術與農業(yè)物聯(lián)網技術。E-mail：xin559817@163.com。 劉波，男，1969年生，2008年獲中南大學計算機應用專業(yè)博士學位，研究方向為物聯(lián)網技術、農業(yè)信息化。E-mail：6633873@qq.com。