高光譜遙感數(shù)據(jù)特征約簡技術(shù)研究.pdf

1、高光譜遙感同時(shí)在許多相互鄰接、甚至相互重疊的狹窄光譜波段上獲取地面的輻射數(shù)據(jù)，提供觀測對象數(shù)十至數(shù)百個(gè)窄波段的豐富光譜信息，拓展了人類觀察世界的視角，可廣泛應(yīng)用于航空/航天、對地觀測、月球/火星探測、生物醫(yī)學(xué)工程等領(lǐng)域。然而上百波段的高光譜數(shù)據(jù)也對后續(xù)處理分析以及傳輸?shù)裙ぷ鲙砹撕艽筇魬?zhàn)，對高維數(shù)據(jù)實(shí)現(xiàn)面向任務(wù)(如地物目標(biāo)的分類、識別等)的降維——進(jìn)行特征約簡，是一項(xiàng)重要研究課題并已成為遙感圖象處理領(lǐng)域近年來的研究熱點(diǎn)之一，受到越來越多

2、研究者關(guān)注。特征約簡可通過特征提取或特征選擇實(shí)現(xiàn)。其中，特征提取通過數(shù)據(jù)從較高維空間到較低維空間的變換實(shí)現(xiàn)降維；特征選擇則直接從原始特征空間篩選重要特征構(gòu)成子集，保留了原特征的物理含義。正是在這樣的背景下，本文結(jié)合國家863項(xiàng)目、國防973項(xiàng)目和航空基金項(xiàng)目，對高光譜數(shù)據(jù)特征提取和特征選擇技術(shù)進(jìn)行了系統(tǒng)、深入的研究。主要研究內(nèi)容和成果如下： (1)高光譜數(shù)據(jù)線性特征提取——基于邊界的特征提取算法利用高維數(shù)據(jù)在小樣本情況下線性可分

3、概率增加以及其低維投影趨于正態(tài)分布的特點(diǎn)，提出了一種適用于小樣本問題的基于邊界的特征提取算法。該算法定義了新的類別邊界，不但考慮了線性判別準(zhǔn)則提出的類內(nèi)、類間離散度，也兼顧各類別的方差差異性。通過極大化該邊界獲得最優(yōu)投影向量，同時(shí)避免因類內(nèi)離散度矩陣奇異導(dǎo)致的小樣本問題。算法被推廣到C類問題(C＞2)，可提取特征數(shù)是基于LDA準(zhǔn)則算法的C/2倍。實(shí)驗(yàn)表明，算法在小樣本情況下對于兩類和多類問題均具有良好的推廣性能，優(yōu)于多種線性判別準(zhǔn)則的改

4、進(jìn)算法；并且在樣本較多時(shí)也取得了滿意結(jié)果。 (2)基于子集搜索算法的高光譜數(shù)據(jù)特征選擇——粒子群優(yōu)化與遺傳算法混合子集搜索算法利用進(jìn)化算法自適應(yīng)隨機(jī)搜索的特性，提出了一種粒子群優(yōu)化與遺傳算法混合的子集搜索算法。該算法以粒子群優(yōu)化為基礎(chǔ)，通過推導(dǎo)，將粒子的位置更新過程分解為兩步：首先通過遺傳算法的交叉操作完成與最優(yōu)粒子的信息交互，但將隨機(jī)選取交叉點(diǎn)改進(jìn)為在比較了與最優(yōu)位置差距的基礎(chǔ)上由加速因子和一個(gè)隨機(jī)量確定；接著根據(jù)新定義的適用

5、于離散空間的基本對象和操作實(shí)現(xiàn)粒子按照慣性速度的位移，并完成粒子速度的更新。實(shí)驗(yàn)表明，對于兩類特征選擇問題，算法性能均優(yōu)于序貫搜索和遺傳算法，能選擇出評價(jià)準(zhǔn)則意義下更好的子集。 (3)基于特征加權(quán)算法的高光譜數(shù)據(jù)特征選擇——基于類別可分性度量和矩陣系數(shù)分析的特征加權(quán)算法為減輕以類別可分性度量為準(zhǔn)則函數(shù)時(shí)因?qū)Υ罅刻卣鹘M合的性能進(jìn)行評價(jià)而帶來的計(jì)算負(fù)擔(dān)，提出了一種基于類別可分性度量和矩陣系數(shù)分析的特征加權(quán)算法。該算法首先對各類別數(shù)據(jù)

6、分別通過主成分變換去相關(guān)，對角化相應(yīng)類別的協(xié)方差陣，從而使任意特征子集的可分性完全由其組成特征的單個(gè)可分性決定。接著分析各類別的主成分變換矩陣的系數(shù)，進(jìn)行相應(yīng)波段排序，利用投票法確定各波段權(quán)值，最后通過設(shè)置波段相關(guān)門限移除按權(quán)值降序排列的波段序列中的冗余特征。算法利用了類別可分性度量進(jìn)行特征選擇，同時(shí)避免了子集搜索時(shí)對眾多特征組合可分性的計(jì)算。實(shí)驗(yàn)表明，算法在不同規(guī)模訓(xùn)練樣本情況下性能均優(yōu)于多種典型的子集搜索和特征加權(quán)算法。 (

7、4)基于雙并聯(lián)前向神經(jīng)網(wǎng)絡(luò)的高光譜數(shù)據(jù)特征選擇算法研究了Wrapper模式的神經(jīng)網(wǎng)絡(luò)特征選擇方法，提出了一種基于雙并聯(lián)前向神經(jīng)網(wǎng)絡(luò)的選擇算法。雙并聯(lián)前向神經(jīng)網(wǎng)絡(luò)由多層和單層前向網(wǎng)絡(luò)并聯(lián)而成，兼具良好的非線性映射能力和快速的線性學(xué)習(xí)能力。該算法以這種新型網(wǎng)絡(luò)作為特征選擇的子集評價(jià)指標(biāo)，通過輸出權(quán)值正則化提高網(wǎng)絡(luò)推廣性能；利用特征加權(quán)思想，通過添加參考噪聲和計(jì)算特征Tarr顯著度加快無關(guān)特征移除；在此基礎(chǔ)上利用高光譜波段間的高度相關(guān)性進(jìn)一步

8、移除冗余波段。實(shí)驗(yàn)表明，算法性能優(yōu)于多層前向網(wǎng)絡(luò)特征選擇方法，同時(shí)由于直接以分類器作為評價(jià)準(zhǔn)則，獲得的子集質(zhì)量也優(yōu)于Filter模式特征選擇。 (5)基于粒子群優(yōu)化的雙并聯(lián)前向神經(jīng)網(wǎng)絡(luò)高光譜數(shù)據(jù)特征選擇算法針對神經(jīng)網(wǎng)絡(luò)特征選擇方法一般在固定的網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上進(jìn)行輸入選擇，而不考慮拓?fù)鋬?yōu)化的情況，提出了一種基于粒子群優(yōu)化的雙并聯(lián)神經(jīng)網(wǎng)絡(luò)特征選擇算法。該算法在進(jìn)行特征選擇時(shí)，不再固定網(wǎng)絡(luò)結(jié)構(gòu)，而是以進(jìn)化算法優(yōu)化網(wǎng)絡(luò)拓?fù)?，在結(jié)構(gòu)優(yōu)化中實(shí)