高光谱遥感数据特征约简技术研究-信号与信息处理专业论文.docxVIP

摘要 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)的降维一 一进行特征约简，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阎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(C2)，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???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  西北工业大学博士学位论文 矩阵系数分析的特征加权算法 为减轻以类别可分性度量为准则函数时因对大 量特征组合的性能进行评价而带来的计算负担，提出了一种基于类别可分性度量 和矩阵系数分析的特征加权算法。该算法首先对各类别数据分别通过主成分变换 去相关，对角化相应类别的协方差阵，从而使任意特征子集的可分性完全由其组 成特征的单个可分性决定。接着分析各类别的主成分变换矩阵的系数，进行相应 波段排序，利用投票法确定各波段权值，最后通过设置波段相关门限移除按权值 降序排列的波段序列中的冗余特征。算法利用了类别可分性度量进行特征选择， 同时避免了子集搜索时对众多特征组合可分性的计算。实验表明，算法在不同规 模训练样本情况下性能均优于多种典型的子集搜索和特征加权算法。 (4) 基于双并联前向神经网络的高光谱数据特征选择算法 研究了 Wrapper模式的神经网络特征选择方法，提出了一种基于双并联前向神经网络的 选择算法。双并联盼向神经网络由多层和单层前向网络并联而成，兼具良好的非 线性映射能力和快速的线性学习能力。该算法以这种新型网络作为特征选择的子 集评价指标，通过输出权值正则化提高网络推广性能；利用特征加权思想，通过 添加参考噪声和计算特征Tarr显著度加快无关特征移除；在此基础上利用高光谱 波段阃的高度相关性进一步移除冗余波段。实验表明，算法性能优于多层前向网 络特征选择方法，同时由于直接以分类器作为评价准则，获得的子集质量也优于 Filter模式特征选择。 (5)基于粒子群优化的双并联前向神经网络高光谱数据特征选择算法针 对神经网络特征选择方法一般在固定的网络结构基础上进行输入选择，而不考虑 拓扑优化的情况，提出了一种基于粒子群优化的双并联神经网络特征选择算法。 该算法在进行特征选择时，不再固定网络结构，而是以进化算法优化网络拓扑， 在结构优化中实现网络的输入选择。算法定义了拓扑优化粒子和权值优化粒子， 在迭代过程中，根据新的适应度函数交替以粒子群优化与遗传算法混合的子集搜 索算法优化拓扑优化粒子，粒子群优化算法优化权值优化粒子。实验表明，浚算 法将网络结构优化和特征选择相结合，不但能去除网络的冗余结构，也能更好地 实现特征选择，其性能较单纯基于双并联前向神经网络的特征选择算法得到进一 步提高。 关键词： 高光