基于流形學(xué)習(xí)的高光譜數(shù)據(jù)特征提取及分類.pdf

1、高光譜數(shù)據(jù)具有豐富的光譜信息，為人們通過(guò)光譜特征對(duì)物質(zhì)進(jìn)行精細(xì)分類提供了可能。但是高光譜數(shù)據(jù)容量大、信息冗余對(duì)存儲(chǔ)和計(jì)算都帶來(lái)壓力，而且高光譜數(shù)據(jù)存在固有的非線性特性，因此使用流形學(xué)習(xí)這樣的非線性降維算法對(duì)高光譜進(jìn)行特征提取可以有效地去除高光譜數(shù)據(jù)的冗余性、發(fā)掘高光譜數(shù)據(jù)內(nèi)部本質(zhì)特征，進(jìn)而提高高光譜數(shù)據(jù)的分類精度。
　　本文對(duì)流形學(xué)習(xí)現(xiàn)有的突出問(wèn)題進(jìn)行了研究，并將流形學(xué)習(xí)應(yīng)用到高光譜數(shù)據(jù)的可視化、特征提取以及分類的具體應(yīng)用中：1）

2、針對(duì)如 LE等經(jīng)典流形學(xué)習(xí)無(wú)泛化能力，無(wú)法對(duì)新樣本進(jìn)行學(xué)習(xí)的問(wèn)題，提出了基于全局線性回歸的流形學(xué)習(xí)泛化算法 OSE-GLR，該算法對(duì)現(xiàn)有的線性化算法進(jìn)行了改進(jìn)，具有更好的泛化效果；2）針對(duì)通過(guò)線性化方法對(duì)流形學(xué)習(xí)進(jìn)行泛化會(huì)改變?cè)餍螌W(xué)習(xí)結(jié)果的不足，提出了局部線性回歸算法OSE-LLR，該算法可以在保持原流形學(xué)習(xí)結(jié)果的情況下，實(shí)現(xiàn)對(duì)任何一種流形學(xué)習(xí)的泛化，具有很小的泛化誤差；4）根據(jù)高光譜數(shù)據(jù)分堆分布的特點(diǎn)，提出了基于類別編碼流形學(xué)習(xí)監(jiān)督