基于流形學習的高光譜數據特征提取及分類.pdf

1、高光譜數據具有豐富的光譜信息，為人們通過光譜特征對物質進行精細分類提供了可能。但是高光譜數據容量大、信息冗余對存儲和計算都帶來壓力，而且高光譜數據存在固有的非線性特性，因此使用流形學習這樣的非線性降維算法對高光譜進行特征提取可以有效地去除高光譜數據的冗余性、發(fā)掘高光譜數據內部本質特征，進而提高高光譜數據的分類精度。
　　本文對流形學習現有的突出問題進行了研究，并將流形學習應用到高光譜數據的可視化、特征提取以及分類的具體應用中：1）

2、針對如 LE等經典流形學習無泛化能力，無法對新樣本進行學習的問題，提出了基于全局線性回歸的流形學習泛化算法 OSE-GLR，該算法對現有的線性化算法進行了改進，具有更好的泛化效果；2）針對通過線性化方法對流形學習進行泛化會改變原流形學習結果的不足，提出了局部線性回歸算法OSE-LLR，該算法可以在保持原流形學習結果的情況下，實現對任何一種流形學習的泛化，具有很小的泛化誤差；4）根據高光譜數據分堆分布的特點，提出了基于類別編碼流形學習監(jiān)督