• 一种基于成对约束判别分析-非负稀疏散度的高光谱数据降维方法

    • 摘要:

      一种基于成对约束判别分析-非负稀疏散度的高光谱数据降维方法,属于高光谱遥感图像处理方法.本发明针对源高光谱数据和目标高光谱数据来自不同分布时,很多先进的基于机器学习的高光谱数据分类算法的分类性能变差.首先,根据一种能自动获得包含判别信息的成对约束样本,提出成对约束判别分析;然后,设计一种非负稀疏散度准则来构建不同分布的源领域和目标领域高光谱数据之间的桥梁;最后,结合这两部分,实现源高光谱数据到目标高光谱数据的知识迁移.优点:解决不同时间、不同地域或不同传感器获得高光谱数据间的知识迁移;能够有效地利用源领域高光谱数据的信息去分析目标领域高光谱数据并获得较高的整体分类精度和Kappa系数.

    • 专利类型:

      发明专利

    • 申请/专利号:

      CN201310482378.5

    • 申请日期:

      2013.10.15

    • 公开/公告号:

      CN103544507A

    • 公开/公告日:

      2014-01-29

    • 发明人:

      王雪松 高阳 程玉虎

    • 申请人:

      中国矿业大学

    • 主分类号:

      G06K9/66(2006.01)I,G,G06,G06K,G06K9

    • 分类号:

      G06K9/66(2006.01)I,G06K9/62(2006.01)I,G,G06,G06K,G06K9,G06K9/66,G06K9/62

    • 主权项:

      一种基于成对约束判别分析?非负稀疏散度的高光谱数据降维方法,其特征在于,具体步骤如下:步骤1,选择需进行分析的源领域和目标领域高光谱数据,根据需求将这些高光谱数据分成源训练样本,目标训练样本和目标测试样本;通过降维算法使所述高光谱数据从高维空间投影至一个低维子空间;步骤2,通过成对约束将所述源训练样本和目标训练样本划分成正关联约束样本和负关联约束样本,利用所述正负关联约束样本和补丁校准框架,进行成对约束判别分析;步骤3,利用非负稀疏表示方法计算源领域内、目标领域内和交叉域间的样本非负稀疏表示,并通过非负稀疏散度准则构建不同分布的源领域和目标领域高光谱数据之间的桥梁;步骤4,结合所述成对约束判别分析和非负稀疏散度准则,实现不同分布高光谱数据间的特征迁移学习.