高光谱遥感数据特征约简技术研究

论文摘要

高光谱遥感同时在许多相互邻接、甚至相互重叠的狭窄光谱波段上获取地面的辐射数据，提供观测对象数十至数百个窄波段的丰富光谱信息，拓展了人类观察世界的视角，可广泛应用于航空／航天、对地观测、月球／火星探测、生物医学工程等领域。然而上百波段的高光谱数据也对后续处理分析以及传输等工作带来了很大挑战，对高维数据实现面向任务(如地物目标的分类、识别等)的降维——进行特征约简，是一项重要研究课题并已成为遥感图象处理领域近年来的研究热点之一，受到越来越多研究者关注。特征约简可通过特征提取或特征选择实现。其中，特征提取通过数据从较高维空间到较低维空间的变换实现降维；特征选择则直接从原始特征空间筛选重要特征构成子集，保留了原特征的物理含义。正是在这样的背景下，本文结合国家863项目、国防973项目和航空基金项目，对高光谱数据特征提取和特征选择技术进行了系统、深入的研究。主要研究内容和成果如下： (1) 高光谱数据线性特征提取——基于边界的特征提取算法 利用高维数据在小样本情况下线性可分概率增加以及其低维投影趋于正态分布的特点，提出了一种适用于小样本问题的基于边界的特征提取算法。该算法定义了新的类别边界，不但考虑了线性判别准则提出的类内、类间离散度，也兼顾各类别的方差差异性。通过极大化该边界获得最优投影向量，同时避免因类内离散度矩阵奇异导致的小样本问题。算法被推广到C类问题(C＞2)，可提取特征数是基于LDA准则算法的C／2倍。实验表明，算法在小样本情况下对于两类和多类问题均具有良好的推广性能，优于多种线性判别准则的改进算法；并且在样本较多时也取得了满意结果。 (2) 基于子集搜索算法的高光谱数据特征选择——粒子群优化与遗传算法混合子集搜索算法 利用进化算法自适应随机搜索的特性，提出了一种粒子群优化与遗传算法混合的子集搜索算法。该算法以粒子群优化为基础，通过推导，将粒子的位置更新过程分解为两步：首先通过遗传算法的交叉操作完成与最优粒子的信息交互，但将随机选取交叉点改进为在比较了与最优位置差距的基础上由加速因子和一个随机量确定；接着根据新定义的适用于离散空间的基本对象和操作实现粒子按照惯性速度的位移，并完成粒子速度的更新。实验表明，对于两类特征选择问题，算法性能均优于序贯搜索和遗传算法，能选择出评价准则意义下更好的子集。 (3) 基于特征加权算法的高光谱数据特征选择——基于类别可分性度量和

论文目录

• 摘要
• Abstract
• 目录
• 图目录
• 表目录
• 术语及算法缩略表
• 第一章 绪论
• 1.1 课题研究背景和意义
• 1.2 课题研究的历史与现状
• 1.2.1 特征提取技术
• 1.2.2 特征选择技术
• 1.3 本文的主要工作
• 第二章 高光谱数据线性特征提取
• 2.1 引言
• 2.2 典型线性特征提取方法
• 2.2.1 主成分分析（PCA）
• 2.2.2 噪声调节主成分分析（NAPCA）
• 2.2.3 判决边界特征提取算法（DBFE）
• 2.2.4 线性判别分析（LDA）及小样本问题的解决
• 2.3 基于边界的特征提取算法（MFE）
• 2.3.1 高维空间特性
• 2.3.2 MFE算法描述
• 2.4 实验结果与分析
• 2.4.1 两类分类实验
• 2.4.2 多类分类实验
• 2.5 小结
• 第三章 基于子集搜索算法的高光谱数据特征选择
• 3.1 引言
• 3.2 典型特征选择搜索算法
• 3.2.1 分支定界法（BB）
• 3.2.2 序贯搜索
• 3.2.3 遗传算法（GA）
• 3.3 常用子集评价准则
• 3.4 基本粒子群优化算法及离散空间优化问题的解决
• 3.5 PSO与 GA混合特征选择算法（HPSOGA）
• 3.5.1 通过信息交换更新位置
• 3.5.2 通过惯性速度更新位置
• 3.6 实验结果与分析
• 3.6.1 I 类特征选择问题
• 3.6.2 II类特征选择问题
• 3.7 小结
• 第四章 基于特征加权算法的高光谱数据特征选择
• 4.1 引言
• 4.2 特征加权方法
• 4.2.1 基于距离的特征加权方法
• 4.2.2 基于矩阵系数分析的特征加权
• 4.3 基于类别可分性度量和矩阵系数分析的特征加权算法
• 4.3.1 分类别去相关与类别可分性准则计算
• 4.3.2 波段排序
• 4.3.3 无关与冗余波段移除
• 4.4 实验结果与分析
• 4.5 小结
• 第五章 基于双并联前向神经网络的高光谱数据特征选择
• 5.1 引言
• 5.2 基于 MLFNN的特征选择
• 5.3 基于双并联前向神经网络的特征选择算法（DPFNNFS）
• 5.3.1 双并联前向神经网络（DPFNN）
• 5.3.2 DPFNN有限样本推广性
• 5.3.3 性能函数
• 5.3.4 特征选择过程
• 5.4 实验结果与分析
• 5.4.1 第一组实验
• 5.4.2 第二组实验
• 5.5 小结
• 第六章 基于粒子群优化的双并联前向神经网络特征选择
• 6.1 引言
• 6.2 基于进化算法的神经网络优化
• 6.2.1 神经网络的权值优化
• 6.2.2 神经网络的结构优化
• 6.3 基于粒子群优化的 DPFNN特征选择算法
• 6.3.1 编码
• 6.3.2 适应度函数
• 6.3.3 算法的具体实现
• 6.4 实验结果与分析
• 6.4.1 实验一
• 6.4.2 实验二
• 6.5 小结
• 第七章 总结和展望
• 7.1 论文总结
• 7.2 本文创新点
• 7.3 工作展望
• 参考文献
• 致谢
• 攻读博士学位期间的研究成果