导读:本文包含了单形体论文开题报告文献综述及选题提纲参考文献，主要关键词:遥感,端元提取,并行计算,统一计算设备架构
单形体论文文献综述
邹佳林,赵辽英,厉小润,陈小芬[1]（2017）在《基于CUDA的单形体增长并行端元提取》一文中研究指出针对快速单形体体积增长法(FNSGA)需多次遍历所有像元造成时间复杂度较高的问题及FNSGA算法具有并行性高的特点,研究基于统一计算设备构架CUDA的FNSGA并行计算。设计基于CUDA的FNSGA并行计算流程,实现关键步骤的并行设计,提出代码实现的3种策略,即Matlab代码直接转换设计、循环展开优化、使用CUBLAS库,分析端元个数对于基于GPU的FNSGA代码的影响。真实高光谱图像端元提取实验结果表明,与CPU串行相比,几种CUDA并行计算都能提高运算速度,其中使用CUBLAS库的运算速度提高了100倍左右。(本文来源于《计算机工程与设计》期刊2017年11期）
许宁,耿修瑞,尤红建,曹银贵[2]（2016）在《一种基于单形体正化的高光谱数据全约束线性解混方法》一文中研究指出在端元已知情况下,线性混合模型的非负约束最小二乘无闭式解,需要多次迭代得收敛最优解,时间复杂度高.通过高光谱数据凸面几何特性分析,指出当数据为正单形体时,可经有限步骤快速得线性混合模型最优解.据此提出一种单形体正化的高光谱数据全约束线性解混方法,据已知端元进行单形体正化,采用和为一约束求解丰度系数,最后迭代剔除丰度负值端元得全约束解.实验结果表明该方法可获得传统全约束解一致的丰度估计,且效率大大提升.(本文来源于《红外与毫米波学报》期刊2016年05期）
覃事银,罗文斐,杨斌,张锐豪[3]（2015）在《单形体体积最小化的差分进化光谱解混算法》一文中研究指出目的光谱解混是高光谱遥感图像处理的核心技术。当图像不满足纯像元假设条件时,传统算法难以适用,基于(单形体)体积最小化方法提供了一种有效的解决途径。然而这是一个复杂的约束最优化问题,更由于图像噪声等不确定性因素的存在,导致算法容易陷入局部解。方法引入一种群智能优化技术-差分进化算法(DE),借助其较强的全局搜索能力以及优越的处理高维度问题的能力,并通过对问题编码,提出了一种体积最小化的差分进化(Vol Min-DE)光谱解混算法。结果模拟数据和真实数据实验的结果表明,与现有算法相比,该算法在15端元时精度(光谱角距离)可提高7.8%,当端元数目少于15个时,其精度普遍可以提高15%以上,特别是10端元时精度可以提高41.3%;在20 50 d B的噪声范围内,精度变化在1.9 3.2(单位:角度)之间,传统算法在2.23.5之间,表明该算法具有相对较好的噪声鲁棒性。结论本文算法适用于具有纯像元以及不存在纯像元(建议最大纯度不低于0.8)这两种情况的高光谱遥感图像,并可在原始光谱维度进行光谱解混,从而避免降维所带来的累计误差,因此具有更好的适应范围和应用前景。(本文来源于《中国图象图形学报》期刊2015年11期）
王丽姣[4]（2015）在《基于单形体体积增长的高光谱图像端元提取及快速实现》一文中研究指出高光谱遥感数据以其波段多、光谱分辨率高、数据量大等特点而成为当前遥感领域的前沿技术,在各个领域发挥着越来越大的作用。但是由于地面物质类型的复杂性以及成像系统空间分辨率的限制,高光谱图像中普遍存在混合像元,因此光谱解混是遥感领域的重要研究方向。而端元提取作为光谱解混的关键步骤,如何有效而快速地进行端元提取是高光谱遥感图像处理的研究重点之一。本论文主要针对端元提取算法中比较常用的基于线性光谱混合模型的新的单形体体积增长算法NSGA中存在的主要问题进行了一系列的改进,不仅将其扩展至适用于非线性光谱混合模型,而且提出了两种思路来解决其高计算复杂度的问题。论文的主要工作如下：(1)针对NSGA只适用于线性光谱混合模型而无法应用于非线性光谱混合模型的问题,本文利用核函数的方法实现该算法的非线性扩展,提出适用于非线性光谱混合模型的算法KNSGA.(2)针对基于线性模型的NSGA和非线性模型的KNSGA两算法中由重复体积计算而造成的高计算复杂度的问题,利用分块矩阵的性质提出了两种快速实现算法FNSGA和FKNSGA.两种快速算法主要通过利用分块矩阵的性质,来简化单形体体积公式行列式求解过程,从而减小时间及运算复杂度,达到简化算法,缩短算法运行时间的目的。(3)针对(2)中提到的NSGA和KNSGA中存在的高计算复杂度问题,利用改进的Cholesky分解的方法提出了两种相应的快速实现算法FNSGACF和FKNSGACF。两种快速算法主要利用改进Cholesky分解方法,将求解最大单形体体积的计算转化为寻找矩阵对角元素最大的过程,从而避免直接的体积计算,降低了计算复杂度,达到快速实现的目的。在上述改进思路的基础上,本文采用仿真数据实验和真实高光谱图像实验两部分实验来对本文提出的改进算法进行实验验证,实验结果表明扩展算法KNSGA能够准确有效地提取端元,并且四种快速算法也能在准确提取端元的前提下缩短运行时间,达到快速实现的目的。(本文来源于《浙江大学》期刊2015-01-22）
王丽姣,厉小润,赵辽英[5]（2014）在《快速实现基于单形体体积生长的端元提取算法》一文中研究指出单形体体积生长算法(SGA)是一种比较有效的高光谱图像端元提取算法。为了解决多次顺序计算单形体体积所造成的高计算复杂度的问题,基于高维空间单形体体积计算公式实现SGA(NSGA),推导出两种NSGA的快速实现算法:基于矩阵叁角分解的NSGA算法(FNSGACF)和基于分块矩阵行列式的NSGA算法(FNSGA)。FNSGACF主要利用改进Cholesky分解方法,将单形体体积的计算转化为矩阵的叁角分解,从而降低了计算复杂度,提高了算法的效率。FNSGA引入分块矩阵的思想来简化矩阵行列式的计算,很大程度降低了计算的复杂性。基于仿真实验研究和真实高光谱图像实验研究的结果表明,这两种快速实现算法都在保持NSGA结果的基础上运行更快,达到了快速实现的目的。(本文来源于《光学学报》期刊2014年11期）
陈莉莉,卫丽华,朱鹏程[6]（2012）在《基于单形体的碰撞检测算法的研究与改进》一文中研究指出碰撞检测是计算机游戏、物理仿真(如计算机动画)、机器人技术、虚拟样机仿真技术以及工程仿真等领域中一个非常关键的问题,其基本任务是确定两个(或多个)物体是否、何时以及在何处形成碰撞。该文重点研究了基于单形体的Gil bert-Johnson-Keerth(简称GJK)碰撞检测算法.虽然GJK数学模型比较复杂,且难以理解,但是基于GJK碰撞检测算法有快速,易实施且适应于多种凸体的优点.传统的GJK算法主要是用来计算物体间的距离,该文对GJK算法作了改进,使它不仅能够查询物体间的距离,还能返回相互穿刺物体间的穿刺深度,使其在性能上得到优化。(本文来源于《电脑知识与技术》期刊2012年35期）
普晗晔,王斌,张立明[7]（2012）在《基于单形体几何的高光谱遥感图像解混算法》一文中研究指出提出一种新的基于单形体几何的高光谱遥感图像混合像元丰度估计算法.该算法的目标是在已知端元矩阵的基础之上,估计高光谱图像中各个观测像素点中每个端元的丰度.根据凸几何理论,基于线性混合模型的高光谱解混问题可以看成一个凸几何问题,其中端元位于包含整个高光谱数据集的单形体的顶点,而它们对应的重心坐标则可以看作各个观测像素的丰度.提出的方法由3部分组成,分别为基于单形体体积的重心坐标计算方法、距离几何约束问题和基于内点的单形体子空间定位算法.与其他基于单形体几何的算法相比,该方法具有诸多优点.Cayley-Menger矩阵的引入使得欧式空间上的运算转化为距离空间上的运算,在降低运算复杂度的同时很好地兼顾到数据集的几何结构.而且,单形体重心的使用确立了一种快速而精确的判断方法来确定观测像素所属的子空间,进而利用递归的思想得到丰度值.此外,算法核心仅仅涉及观测点与端元之间的距离,而与波段数无关.因此,该算法无须对数据执行降维处理,从而可以避免因数据降维而造成的有用信息的丢失.仿真和实际高光谱数据的实验结果表明,所提出的算法与同类其他优秀的算法如FCLS和SPU相比,具有更高的运算精度,同时在端元数目较小时具有较快的运算速度.(本文来源于《中国科学:信息科学》期刊2012年08期）
韦波,彭军还,杨红磊[8]（2012）在《基于凸面单形体的Vague集向Fuzzy集转化模型》一文中研究指出利用Vague集与凸面单形体同一平面内3个叁角形的对应关系,给出一种Vague集及其向Fuzzy集转化的单形体几何表示方法,有效解决Vague集向Fuzzy集转化方法或模型中的几何解释问题.提出Vague集向Fuzzy集转化的单形体转化模型(S-TM),以及应满足的转化准则.与已有转化方法或模型相比,S-TM具有更直观的几何表示和更明确、更确定的几何解释,是一种更为有效的转化模型,并说明Vague集向Fuzzy集的转化具有模糊性和逐渐转化性.(本文来源于《模式识别与人工智能》期刊2012年03期）
马龙[9]（2011）在《四元数体在四维空间中凸正多单形体中的应用》一文中研究指出在欧氏几何学中,有着一种极为规则的图形,称为止多单形体,它们在在不同的维度下有着不同的名称：在平面上,它们被称为正多边形,而在叁维空间中,它们被称为正多面体。它们在数学、自然科学、艺术散发着无尽的魅力,吸引着人们去探索。在漫漫历史的长河中,数学家们不懈的努力也使得这一领域硕果累累。1795年,德国数学家C. F. Gauss是出了有名的正十七边形的几何作图法,但正n边形作图可能的充分必要条件是边数可以因子分解为的形式,而每个只是相异的形如22‘+1的Fermat素数。古希腊的毕达哥拉斯学派曾对五种正多面体,即正四面体、正六面体、正八面体、正十二面体和止二十面体作过专门研究。在群论中,每种正多面体都对应着SO3中的旋转群的有限子群,称为正多面体群。1752年,瑞士数学家L.Euler发现了叁维空间中任意简单多面体的顶点数V、棱数E、和面数F满足关系式V-E+F=2,这就是着名的欧拉多面体公式。1883年,法国数学家J.H.Poincare证明,Euler公式可以推广到更高维,其中K是n维有限单纯复形；a,.为r维胞腔数。在本质上,它们是Gauss-Bonnet公式的一种表达形式。在更高维数下,瑞士几何学家路德维希·施莱夫利证明了在4维空间中,有六种凸正多单形体,分别是正五胞腔体、正八胞腔体、正十六胞腔体、正二十四胞腔体和正一百二十胞腔体。而当维数n≥5时,则只有种,它们的边界数分别为n+1,2n,2n。1948年,英国几何学家哈罗德·斯科特·麦克唐纳·考克斯特在他的《Regular Polytope》[1]一书中,详细讲述了四维空间里的六种正多单形体(前面已列举的正五胞腔体、正八胞腔体、正十六胞腔体、正二十四胞腔体、正一百二十胞腔体和正六百胞腔体)的性质,并给出了正多单形体的顶点的局部坐标。他对于坐标的计算方法是基于代数方程及叁角函数的性质。而事实上,利用四元数体工具则可以更简洁的解决这些问题。四元数体是一种拓展复数,最早由爱尔兰数学家威廉·哈密尔顿于1843年提出,当时,四元数体成为一种研究几何学和物理学的重要工具,被用来描述几何运动和电磁学的麦克斯韦方程组。在以前对四元数体的应用中,四元数体仅仅表示出了叁维空间中的旋转变换,而没有揭示出它作为四维空间中旋转变换的一种特例的本质。本文通过计算二维子平面方向张量,及张量反射变换公式,导出四维空间中用四元数体表示旋转变换的完整公式,并揭示了四元数体表示旋转变换的赤道平面与旋转乘了的关系。本文共解决以下叁个问题：1.用四元数体表示四维空间中的反射及旋转变换。2.用四元数体计算四维空间中最复杂的两种正多单形体的顶点坐标。3.判断四维空间中正一百二十胞腔体的顶点是否有作为正五胞腔体顶点的子集。下面是本文对于第一个问题给出的结果：设qυ是一个四维向量υ→对应的四元数体,ρ是一个二维子空间,σ是以ρ为赤道而旋转角为0的旋转变换,设R是ρ的一个方向张量矩阵,rij是它的第i行第j列元素,满足r122+r132+r142+r232+r242+r342=1,令则对寸作旋转变换σ以后对应的四元数体qσ(υ)的值为：相比以前用的四元数体表示叁维空间的旋转变换,这个结果可以更直接求出旋转变换的旋转角、轴平面及赤道平面。正一百二十胞腔体和正六百胞腔体是四维空间中最复杂的两种凸正多单形体。它们的顶点位置关系极其复杂。本文发挥了四元数体作为一种工具,计算出它们顶点的局部坐标,与前面计算坐标的方法相比,减少了计算量和数据存储负担,得到下面结果：点集(±4：0,0,0)、((?)+1,(?)-1,0,2)、(±l,±1,±1,±1)及其坐标分量的偶排列构成凸正多单形体{3,3,5}的120个顶点。点集(±(4+2(?)),(±2,±2,±2),(±(4+2(?)),±((?)-1),0,±((?)+1)),(±(5+(?)),(±2,0,±(3+(?)),(±(5+(?)),±(1+(?)),±(1+(?)),±(1+(?))),(±(2+2(?)),±(1+(?)),±2,±(3+(?)))(±(2+2(?)),±(2+2(?)),0,0),(±(3+3(?)),±(3+3(?)),±(3+3(?)),±((?)-1)).及其坐标分量的偶排列构成凸正多单形体{5,3,3}的600个顶点。这是问题2的结果,具体的计算过程在正文中有详述。这个结果与考克斯特的结果一致,不同的地方就是这里把所有的分数化成了整数,有利于发现更多的性质。四维空间中的六种正多单形体之间有着嵌入关系。其中正五胞腔体嵌入正一百二十胞腔体是最难以发现的。这个结论可以用枚举法证明,然而由于正一百二十胞腔体的顶点数多达600个,只能程序逐个计算。但本文通过坐标内部的联系及正交变换的证明了一个更强的结论,并直观地揭示了这些顶点的相对位置关系：设RP是一个正一百二十胞腔体,V是P的一个顶点,则可以在P的顶点中找出28个顶点,等分成七组,使得每组的四个顶点与V构成正五胞腔体的五个顶点,且从不同组里选出的点构不成正五胞腔体的顶点。这个结果不仅给了问题3肯定的回答,而且给出了具体的数量。本文的结构如下：第一章阐述基本概念,问提的由来；第二章则是先介绍几何学和四元数体的基本知识,然后解决第一个问题。第叁章则利用第一个问题的结果解决第二个问题,并利用第二个问题的结果分析并解决第叁个问题。本文最后给出利用第一个问题的结果给出四元数计算四维空间中的几何图形在运动中的坐标的方法,利用这种变换,可以大大减少动画过程中的计算量,使得动画对硬件配置的要求大大降低,从而完成更加流畅、清晰的动画。另外,笔者对于几何学里几个命题有着新的见解,这几个命题的证明方法放在附录中。(本文来源于《山东大学》期刊2011-04-15）
黄远程,张良培,李平湘[10]（2010）在《基于最小单形体体积约束的高光谱影像端元光谱提取》一文中研究指出混合光谱分解是求解混合像元中端元的组分丰度和提取亚像元目标的关键技术,但是光谱分解的前提是获得各端元的光谱。论文基于交替最小二乘迭代计算框架,提出以最小单形体体积为约束的端元光谱提取方法。此外传统的端元提取方法通常假设影像中存在"纯净像元",且纯净像元位于唯一的单形体的顶点上,但是实际影像中这一假设不完全成立。针对这一问题,论文结合Gibbs随机采样理论对影像分区域的分析,将输入的影像划分为若干单形体区域进行端元分析。以Dirichle分布随机混合构造的不同信噪比和纯净水平的USGS混合光谱数据分析结果反映出在混合问题严重、有噪声影响的情况下本文端元提取的精度高于传统方法5倍以上。华盛顿特区的HYPMAP高光谱影像实验也证明了本文方法在纯净端元光谱分析上的有效性。(本文来源于《遥感定量反演算法研讨会摘要集》期刊2010-07-11）
单形体论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在端元已知情况下,线性混合模型的非负约束最小二乘无闭式解,需要多次迭代得收敛最优解,时间复杂度高.通过高光谱数据凸面几何特性分析,指出当数据为正单形体时,可经有限步骤快速得线性混合模型最优解.据此提出一种单形体正化的高光谱数据全约束线性解混方法,据已知端元进行单形体正化,采用和为一约束求解丰度系数,最后迭代剔除丰度负值端元得全约束解.实验结果表明该方法可获得传统全约束解一致的丰度估计,且效率大大提升.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
单形体论文参考文献
[1].邹佳林,赵辽英,厉小润,陈小芬.基于CUDA的单形体增长并行端元提取[J].计算机工程与设计.2017
[2].许宁,耿修瑞,尤红建,曹银贵.一种基于单形体正化的高光谱数据全约束线性解混方法[J].红外与毫米波学报.2016
[3].覃事银,罗文斐,杨斌,张锐豪.单形体体积最小化的差分进化光谱解混算法[J].中国图象图形学报.2015
[4].王丽姣.基于单形体体积增长的高光谱图像端元提取及快速实现[D].浙江大学.2015
[5].王丽姣,厉小润,赵辽英.快速实现基于单形体体积生长的端元提取算法[J].光学学报.2014
[6].陈莉莉,卫丽华,朱鹏程.基于单形体的碰撞检测算法的研究与改进[J].电脑知识与技术.2012
[7].普晗晔,王斌,张立明.基于单形体几何的高光谱遥感图像解混算法[J].中国科学:信息科学.2012
[8].韦波,彭军还,杨红磊.基于凸面单形体的Vague集向Fuzzy集转化模型[J].模式识别与人工智能.2012
[9].马龙.四元数体在四维空间中凸正多单形体中的应用[D].山东大学.2011
[10].黄远程,张良培,李平湘.基于最小单形体体积约束的高光谱影像端元光谱提取[C].遥感定量反演算法研讨会摘要集.2010