论文部分内容阅读
独立成份分析(Independent Component Analysis,ICA)是盲信号处理领域的一个研究热点,已广泛地应用到生物医学、语音处理、通信、遥感和地质等领域,具有重要的理论研究和实际应用价值。本文针对现有ICA在空间信息挖掘和遥感影像融合中存在的问题,对ICA算法进行了大量的实验和深入的研究。主要工作和创新如下:
1.针对现有ICA算法没有考虑处理数据的有序性和非负性,提出了有序非负ICA算法。现有ICA算法在处理矿产数据和遥感数据时无法确定分离后信号的顺序而且会丢失非负信息。本文结合因子分析方法改进ICA算法中独立成分的顺序不确定性的问题。使用拉格朗日约束的方法改进目标函数,避免了非负信息的丢失。
2.针对传统的空间信息挖掘方法仅考虑了数据的低阶统计特征,对数据源的限制较多,预测效果不理想等问题,利用有序非负ICA深层次挖掘空间地学信息,进行矿产预测。本文首先根据地质矿产数据量大以及ICA算法易受特异值影响的特点,采用循环迭代的方式进行稳健性处理,使地质数据适合ICA算法处理,然后使用有序非负ICA算法对矿产数据进行处理,最后选取感兴趣的元素制成地球化学矿产预测图,并将预测结果与数据提供单位的鉴定结果进行分析对比,表明有序非负ICA算法进行矿产预测的有效性。
3.针对传统的融合算法主要考虑使用不同融合图像的有用信息,没有考虑去除融合数据之间的冗余信息,或者只考虑去除融合数据之间的低阶冗余信息的问题,利用有序非负ICA去除遥感影像高阶冗余信息,进行遥感影像融合。同时改善有序非负ICA直接应用于影像融合的缺点,从概率密度出发来改善ICA算法的性能,提出一种基于整数小波变换的有序非负ICA融合方法,该算法结合了整数小波和有序非负ICA融合算法的优点。与其他融合算法比较,具有更好的融合效果。