基于多层训练的稀疏非负矩阵高光谱混合像元分解.pdf

《基于多层训练的稀疏非负矩阵高光谱混合像元分解.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第2期矿山测量NO．22014年4月MINESURVEYINGApr．2014doi：10．3969／j．issn．1001—358X．2014．02．09基于多层训练的稀疏非负矩阵高光谱混合像元分解一韩薇，刘宗波(甘肃建筑职业技术学院，甘肃兰州730050)摘要：非负矩阵分解方法不仅被用作数据降维，并且被广泛地应用于高光谱混合像元分解。由于非负矩阵分解常常陷于局部最小化，各种限制性条件被使用，如稀疏、体积等。深度学习作为一种新的数据挖掘方法被广泛地使用，其通过建立深度网络，进行贪婪学习，最终可以克服样

2、本数据不足及陷于局部最优化的缺陷。文中借助深度学习的非监督训练方法，采用多层训练神经元进行非负矩阵高光谱混合像元分解，除此之外，数据的稀疏特性被当作先验知识用于多层网络的训练及重构。通过对真实高光谱遥感影像大量实验发现，此方法简单易行，且精度明显高于目前其它非负矩阵分解方法。关键词：混合像元分解；非负矩阵分解；多层网络训练；深度学习中图分类号：P23文献标识码：B文章编号：1001—358X(2014)02—0022—05高光谱混合像元分解通常分为两种模型，线性为了准确地描述数据，多尺度特征学习方法被与

3、非线性。线性高光谱分解方法认为影像立方体上使用，深度学习法就是其中的代表¨。其首先通过每个像元光谱由端元线性构成，而非线性混合像元波尔兹曼机构建非监督的神经网络学习，然后通过分解方法认为端元之间存在辐射的交互，不只是满反向传播进行误差迭代最小化。为了解决NMF方足线性混合条件，同时也满足非线性的因素。线性法陷于局部最小，参考了多尺度学习的新思路，采用混合像元分解由于其实际优点，大量算法被提了一种基于神经网络学习的稀疏非负矩阵分解算出¨。最近几年，非线性解混算法也发展迅速，其法，其大致思路分为两步，第一步

4、为非监督的独立非中以A．Halimi与Y．Ahman的工作最为显著，分别提负矩阵分解学习，其中为了迫使结果的稀疏性，采用出了GBM与NNPPM模型。。通常在假定纯净像了非平滑的稀疏非负矩阵。第二步为网络反向传播元存在的前提下，混合像元分解需要分为两步，首先进行重构比例系数矩阵，通过重构获取比例系数矩进行端元提取，主要算法有VCA，N—FINDR。阵。由于缺乏验证数据，这里通过稀疏回归解混算在端元被识别之后，采用解混算法进行解混影像立法SUNSAL与地面实测的光谱库进行解混遥感影方体，目前此类算法主要有全

5、约束混合像元分解像，以此作为验证数据。经过对比分析，发现基于多(FCLS)，梯度下降算法。通常纯净像元存在的层的非负稀疏解混算法具有较高的精度，同时能够假定不一定与遥感影像相符，为了解决此问题，大量提取到必要的信息。的盲信号分离算法被提出，其中具有代表性的算法1算法描述为独立成分分析(ICA)lo3，非负矩阵分解(NMF)¨。其中NMF算法非常突出，其将影像分1．1非平滑的非负矩阵分解解成端元矩阵与比例系数矩阵，同时满足线性混合Lee与Seung于1999年提出了非负矩阵分解理的两个限制条件，由于非负矩

6、阵分解只能保证获取论，其具有发现数据部分的局部的特征，被广泛地应局部最优化值，常常导致解混结果精度不高。同时用于数据挖掘之中。通常通过如下公式进行描述：利用非负矩阵进行分解时，很难保证提取到必要的V=WH(1)信息，这也限制了非负矩阵分解的应用。目前针对其中是遥感影像，通过映射将多波段遥感影此问题，通常通过增加限制性因素进入非负矩阵分像转换为2维的矩阵，其中行为波段数目，列为像元解成本函数，如体积因子，稀疏因子等，迫使其解稳个数。与日分别为端元矩阵与系数矩阵。通常数定。据仅仅有少量的基特征构成，于是稀疏

7、指标常常被22第2期韩薇等：基于多层训练的稀疏非负矩阵高光谱混合像元分解应用于刻画数据的特征。A．P．Montano提出了一种分解后的Ⅳ相等，这样一直分解下去，最终获得给定非平滑的稀疏矩阵分解算法，其引进一个系数矩阵端元数目下的比例系数矩阵日。s，其定义如下：1．2．2后向重构非负矩阵分解解混口在进行前向非稀疏矩阵分解之后，将最终获取S：(1一)，()+÷ones(k)(2)的与日矩阵，及中间变量矩阵进行迭代重构Ⅳ其中k为特征数目，即需要分解的维数，为平矩阵，最终获取比例系数。这步相当于深度学习的滑参数

8、，其取值范围为[0，1]。，(k)是大小为k×k重构过程，一般采用梯度下降算法来减小后向传播的单位矩阵，o／2es(k)是大小为k×k的全为1的矩的误差，这里仍然用nsNMF。在附件口中，列出了后阵。数据矩阵乘以Js矩阵之后，可以获取稀疏的表向重构的伪代码。其中Au，Bu，H的计算按照公式示，当0接近于1时，获取的结果越平滑，反之，则越(5)～(7)。不平滑。通常都将矩阵与s矩阵相乘，然后迭代AuI：』z=与日，最终获取数据的稀疏表达。同样