论文部分内容阅读
高光谱数据具有丰富的光谱信息,为人们通过光谱特征对物质进行精细分类提供了可能。但是高光谱数据容量大、信息冗余对存储和计算都带来压力,而且高光谱数据存在固有的非线性特性,因此使用流形学习这样的非线性降维算法对高光谱进行特征提取可以有效地去除高光谱数据的冗余性、发掘高光谱数据内部本质特征,进而提高高光谱数据的分类精度。本文对流形学习现有的突出问题进行了研究,并将流形学习应用到高光谱数据的可视化、特征提取以及分类的具体应用中:1)针对如LE等经典流形学习无泛化能力,无法对新样本进行学习的问题,提出了基于全局线性回归的流形学习泛化算法OSE-GLR,该算法对现有的线性化算法进行了改进,具有更好的泛化效果;2)针对通过线性化方法对流形学习进行泛化会改变原流形学习结果的不足,提出了局部线性回归算法OSE-LLR,该算法可以在保持原流形学习结果的情况下,实现对任何一种流形学习的泛化,具有很小的泛化误差;4)根据高光谱数据分堆分布的特点,提出了基于类别编码流形学习监督化方法,实验表明,这种算法的分类效果优于现有的有监督的流形学习算法;5)针对高光谱数据光谱有混叠的特点,提出了基于流形分割的有监督流形学习算法,该方法首先使用流形分割算法将流形分割成为比较平坦的子流行,然后根据样本间的双层类别关系,给出了层次化的距离定义,实验表明,该方法有相对最好的分类效果。