基于进化优化学习的高光谱特征选择与提取

发布时间：2020-12-30 23:47

　　近年来,随着高光谱遥感技术的发展,其应用已经覆盖环境监测,医疗图像,精准农业,城市监测等方面。与此同时,高维度的光谱结构也为高光谱图像处理带来了新的挑战。邻近波段之间往往存在大量的冗余信息,高维度的数据结构往往会导致“Hughes”现象,并且会增加存储空间与算法计算复杂度上的负担。另外,在高光谱数据中带标签的数据很少并且标签信息的获取难度很大。本文结合高光谱的数据特点,做了深入的研究分析,并提出了多种无监督的特征选择与特征提取方法,概括如下:(1)针对无监督的波段选择问题,综合考虑了重要信息的保留与冗余信息的去除两方面,将这两方面同时设计进一个目标函数中。由于该目标函数的解空间是离散的,不易于获得导数信息,本质上是一个组合优化问题。因此我们又设计了一个基于Memetic计算的启发式随机搜索策略,用于该目标函数的优化。实验结果表明,我们提出的算法比起传统的波段选择方法在后续分类精度上有了明显的提升。(2)针对传统的FCM无监督聚类方法中存在对初始化状态和噪声点敏感,以及易于陷入局部最优的问题,我们设计了一种基于PSO的优化方法来替代传统FCM中基于拉格朗日乘子法的迭代优化,并将该方法应用... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：153 页

【学位级别】：博士

【部分图文】：

图１．１高光谱影像成像结构示意图

据结构的特点，来分别对无监督的高光谱特征选择与特征提取这两个挑战性课题进??行了深入的研究。??论文的主要工作内容如图１．２所示。对于无监督的高光谱特征选择问题，论文??主要围绕重要信息保留与冗余信息去除这两方面进行算法设计。论文从优化的角??度给出了两种类型的算法设计，分别是基于单目标函数建模的无监督特征选择和??基于多目标函数建模的无监督特征选择。针对基于单目标函数建模的方法，设计了??两种方式来兼顾重要信息保留与冗余信息去除这两方面。在第二章中，提出了基??于Ｍｅｍｅｔｉｃ计算的方法。该方法将信息保留与冗余去除两方面融合到一个目标函数??中来处理，将这两方面的优化融合为一个阶段来处理。在第三章中，提出了基于模??糊Ｃ均值（Ｆｕｚｚｙ?Ｃ?Ｍｅａｎｓ，?ＦＣＭ）与粒子群优化（Ｐａｒｔｉｃｌｅ?Ｓｗａｒｍ?Ｏｐｔｉｍｉｚａｔｉｏｎ，?ＰＳＯ）??的方法。该方法将信息保留与冗余去除分为两个阶段来处理，首先通过模糊聚类框??架进行冗余信息去除，之后通过选择代表聚类中心完成重要信息保留。基于多目??标函数建模方法的提出则主要用来探索无监督波段选择中三个关键问题之间的权??衡关系问题

遗传算法相比，局部搜索策略的引入提高了优化效率，可以在相同迭代次数内得到??质量更高的解。在过去的十年内，Ｍｅｍｅｔｉｃ计算被广泛应用到各个领域比如：网??络结构的优化与检测ｔ９Ｗ〇〇］，图像处理等［１°１］。该框架的示意图如图２．１。全局搜索更侧??重基于种群的更新搜索，可以在整个解空间进行搜索并能够提供全局最优解或者质??量很好的次优解［１〇２］。但是由于启发式算法的随机性，基于种群的全局搜索需要很长??的时间才可能找到最优解。而局部搜索设计的目的则是为了加速优化求解过程，在??基于个体的局部空间进行搜索。因此，这二者的结合使得Ｍｅｍｅｔｉｃ计算能够更加有效??率的找到问题的最优解Ｕ°３’１Ｗ］。??２．３基于Ｍｅｍｅｔｉｃ计算的特征选择算法??在本节中，我们将会详细介绍提出的算法。其中包括两部分：一个全新的波段??选择目标函数和一个全新设计的Ｍｅｍｅｔｉｃ算法。??２．３．１波段选择目标函数??如上面所讨论，波段选择的目标函数需要兼顾到两点．？保持重要信息和去除冗??余信息。这就需要我们设计的目标函数能够量化这两方面。由于没有地物标签信息，??一般认为波段的有效信息指的是清晰具有区分度的图像内容。图像的高对比度可以??使得图像的内容区分更明显。因此


本文编号：2948528