导读:本文包含了线性解论文开题报告文献综述及选题提纲参考文献，主要关键词:非负矩阵分解,高光谱线性解混,空间相关,马尔可夫随机场
线性解论文文献综述
袁博[1]（2017）在《马尔可夫随机场的空间相关模型在非负矩阵分解线性解混中的应用》一文中研究指出针对基于非负矩阵分解(NMF)的高光谱解混存在的初始化与"局部极小"等问题,提出一种基于马尔可夫随机场(MRF)的空间相关约束NMF线性解混算法(MRF-NMF)。首先,通过基于最小误差的高光谱信号识别(Hy Sime)法估算端元数量,同时利用顶点成分分析(VCA)和全约束最小二乘法(FCLS)初始化端元矩阵与丰度矩阵;其次,利用MRF模型建立描述地物空间分布规律的能量函数,以此描述地物分布的空间相关特征;最后,将基于MRF的空间相关约束函数与NMF标准目标函数以交替迭代的形式参与解混,得出高光谱数据的端元信息与丰度分解结果。理论分析和真实数据实验结果表明,在高光谱数据空间相关程度较低的情况下,相比最小体积约束的NMF(MVC-NMF)、分段平滑和稀疏约束的NMF(PSNMFSC)和交互投影子梯度非负矩阵分解(APS-NMF)叁种参考算法,所提算法的端元分解精度仍分别提高了7.82%、12.4%和10.1%,其丰度分解精度仍分别提高了8.34%、12.6%和9.87%。MRF-NMF能够弥补NMF对于空间相关特征描述能力的不足,减小解混结果中地物的空间能量分布误差。(本文来源于《计算机应用》期刊2017年12期）
王曦[2]（2017）在《基于Hyperion影像的高光谱数据线性解混与目标检测—土地覆被识别实证》一文中研究指出高光谱遥感数据丰富的光谱信息有助于更准确的描述土地覆被的类型,但由于传感器的空间分辨率较低,当以城市、郊区为研究对象时高光谱影像中混合像元的存在不可避免。本文模拟高光谱数据混合光谱的解混,对端元不同所带来的解混误差进行了详细的分析;以北京市为研究区,利用Hyperion高光谱数据,结合V-I-S模型和线性光谱混合分析对北京市区、郊区的土地覆被进行了研究;通过信息检测算法,对特定地物目标的识别进行了实验验证,并给出了改良方法。本文对中等空间分辨率的高光谱影像在城市/郊区遥感方面的利用进行了比较全面的分析。论文研究的主要内容和结论如下:(1)利用光谱库的光谱数据模拟由植被、土壤、不透水层构成的混合光谱,使用不同的端元组合对混合光谱线性解混,提出适用于高光谱数据的复合端元解混方法。在同类地物光谱曲线幅度差异较大的情况下,使用复合端元做全约束的线性解混可以有效减少误差,提高相关系数。(2)基于V-I-S模型,利用单端元组合、复合端元组合对Hyperion高光谱影像进行了线性解混。结果显示,复合端元的组合有更小的误差。从真实的高光谱影像上证明了在对影像覆盖面积较大的高光谱数据做全约束的线性解混时,更宜采用复合端元的组合。(3)在遥感影像的处理中,利用植被指数在城市的不同区域发现了与植被丰度相关性更高的波段组合的特征。从整体上看,更靠近植被光谱“红边”区域的波段计算的NDVI与植被丰度的相关性更显着,植被指数与植被丰度的二次多项式拟合相关性更显着。(4)通过对2004年和2010年Hyperion影像的解混,揭示了北京南、北部区域土地覆被的变化特征。土地覆被的变化显示出2004年~2010年间北京南部和北部区域均有一定程度的植被、土壤向不透水层的转变,越靠近市区变化越明显,在离市区较远的区域不透水层主要沿干道向两侧扩张。(5)利用高光谱数据通过信息检测的方法,对小的目标进行了识别。利用多种信息检测方法对Hyperion数据进行了实验,优化了信息检测输出的方法,并改良了一种多目标识别方法的应用,使其可以更有效的检测Hyperion影像中的目标信号。(本文来源于《中国地质大学(北京)》期刊2017-05-01）
陈允杰,葛魏东,孙乐[3]（2018）在《一种基于协同稀疏和全变差的高光谱线性解混方法》一文中研究指出稀疏分解是高光谱图像(Hyperspectral image,HSI)解混中的常用方法,为了克服传统稀疏解混方法只重视挖掘空间相关性而忽视稀疏性精确刻画的缺点,本文提出一种新的基于协同稀疏和全变差(Total variation,TV)相结合的高光谱空谱联合线性解混方法,从而进一步提高解混的精度.该方法基于已知光谱库的高光谱稀疏线性回归模型,利用TV正则项对高光谱邻域像元间的相关性进行约束;同时,协同稀疏性被用来刻画丰度系数的行稀疏性,从而表明协同稀疏先验对空谱联合解混精度的提高至关重要;最后采用交替方向乘子法求解模型.模拟高光谱数据实验结果定量地验证本文方法能够比现有同类方法获得更精确的解混结果,同时真实高光谱数据实验结果定性地验证了本文方法的有效性.(本文来源于《自动化学报》期刊2018年01期）
许宁,耿修瑞,尤红建,曹银贵[4]（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）
尹凤[5]（2016）在《高光谱线性解混的理论与方法及应用研究》一文中研究指出高光谱遥感是遥感领域的重要前沿技术之一。成像光谱仪能够测量散射在数百或数千个光谱通道的瞬时视场内所有物质的电磁能量,它比多光谱相机具有更高的光谱分辨率,覆盖了可见光、近红外光、短波红外线波段(波长范围在0.3~2.5?m之间)。高光谱遥感已经广泛应用于资源、灾害、全球变化、极地、环境监测、生态、农业、水文和生物医学等领域。高光谱解混是高光谱遥感图像分析的重要内容之一,是高光谱遥感领域十分关键而具有挑战性的任务。高光谱成像光谱仪的空间分辨率不高,这一限制条件常导致高光谱图像混合像元的出现,即通常一个像元在瞬时视场内包含了多于一种地物类型的地面信息,形成了混合像元;同时,由于高光谱解混受模型不准确、观测噪声、环境条件、端元不确定以及数据规模等条件限制,使得高光谱解混是一个具有挑战性的不适定性反问题。因此,能否发展具有鲁棒性、稳定性、可行性和准确性的高光谱解混算法,解决高光谱混合像元分解问题,是高光谱图像分析的核心内容。本文研究高光谱线性解混的理论与方法,以及其在地物识别中的应用。首先综述了高光谱线性解混的国内外研究背景和现状,论文内容、创新点,以及全文的结构安排;然后研究了高光谱线性混合模型与子空间辨识,包括:线性混合模型、高光谱解混的处理流程、高光谱解混的思路与问题、高光谱解混反问题的刻画,以及信号子空间辨识;针对最小误差的高光谱信号辨识(HySime)方法的可靠性,我们进一步研究了特征值子集、特征子空间与相关矩阵之间的关系问题,即约束特征值反问题及相关的最佳逼近问题,给出了由特征值和特征向量恢复相关矩阵的一个充分必要条件,以及最佳逼近问题的解的表达式和求解算法;第叁部分总结了几种基于几何的高光谱线性解混算法,包括:N-Finder、PPI、VCA、SISAL、AVMAX和SVMAX,并比较了这些方法在仿真的高光谱数据端元提取中的应用。在非负矩阵分解的理论与方法基础上,第四部分总结了叁种高光谱线性解混算法,即含复杂度约束的NMF算法(CC-NMF)、含最小体积约束的NMF算法(MVC-NMF)和同时含复杂度和最小体积约束的NMF算法(CMVC-NMF),以及这些算法在城市高光谱数据解混中的应用。第五部分研究了基于稀疏回归的高光谱解混算法。首先总结了几个涉及到高光谱解混的最优化问题和一个乘子交替方向法(ADMM);然后针对离散不适定问题,提出了一种投影非静态迭代Krylov子空间正则化方法,讨论了该算法的参数选择和收敛性;进一步研究了叁种不同Krylov子空间的生成方法。最后研究了两种基于稀疏回归的高光谱解混算法,即基于变量裂分增强拉格朗日的稀疏解混(SUnSAL)算法和基于约束裂分增强拉格朗日的稀疏解混(C-SUnSAL)算法,以及这两种算法在矿物识别中的应用。进一步研究了基于空-谱信息的高光谱解混算法。研究了一种变量裂分增强拉格朗日与总变差稀疏解混(SUnSAL-TV)算法,并推广到去模糊化的SUnSAL-TV算法,分别讨论了各向同性和各向异性两种情况,并应用于矿物识别;同时,我们将SUnSAL-TV算法过程中产生的广义Sylvester方程推广到一般的广义耦合方程,发展了一种求解广义耦合方程的共轭梯度迭代算法。最后给出了全文总结和有待进一步研究的问题。本文对高光谱线性解混的理论和方法进行了比较系统地研究,并用Matlab软件进行了实现,本文的研究工作将有助于高光谱图像分析的发展,为今后的高光谱遥感对地观测、深空探测提供一定的理论与方法参考。(本文来源于《成都理工大学》期刊2016-10-15）
林娜,杨武年,王斌[6]（2017）在《利用核方法进行高光谱遥感图像线性解混》一文中研究指出为了提高高光谱遥感图像混合像元分解的精度,提出基于核方法的高光谱线性解混。采用核化正交子空间投影(orthogonal subspace projection,OSP)算子、最小二乘正交子空间投影(least squares OSP,LSOSP)算子、非负约束最小二乘(nonnegative constrained least-squares,NCLS)算子和全约束最小二乘(fully constrained least-squares,FCLS)算子等方法分别构建核正交子空间投影(Kernel OSP,KOSP)、核最小二乘正交子空间投影(Kernel LSOSP,KLSOSP)、核非负约束最小二乘(Kernel NCLS,KNCLS)和核全约束最小二乘(Kernel FCLS,KFCLS)高光谱图像混合像元解混模型。对CUPRITE矿区AVIRIS数据进行KLSOSP、KNCLS和KFCLS与LSOSP、NCLS和FCLS丰度反演对比实验,结果表明,对于混合像元广泛存在的高光谱遥感图像来说,基于核方法的KLSOSP,KNCLS和KFCLS的解混精度优于LSOSP,NCLS和FCLS;附加约束条件有利于提高丰度反演的精度。(本文来源于《武汉大学学报(信息科学版)》期刊2017年03期）
聂明钰[7]（2016）在《高光谱图像线性解混算法研究》一文中研究指出叁维的高光谱图像同时包含成像地物的空间信息和丰富的反射光谱信息,具有覆盖波段广,快速无损,光谱信息含量充分等特点。在高光谱图像丰富的光谱信息基础上,使用图像分析与模式识别的相关算法,可以实现对成像地物的有效分类和识别。因此,高光谱成像技术在农业和军事上有着非常广泛的应用。由于自然地物分布的复杂性以及高光谱图像较低的空间分辨率,图像中的某些像元中不止含有一种物质,该类像元称作混合像元。当混合像元存在时,将该类像元分为哪一类都不合适,因此大大降低了对地物分类识别的准确性。为了解决混合像元的问题,需要将混合像元进行亚像元级别的分解,该过程称作混合像元解混。混合像元解混,是利用几何、统计、建模等方法,分解出混合像元中不同的基本组成物质(端元),以及基本组成物质在每个像元中所占的比例(丰度)。在进行混合像元解混之前,首先需要建立混合模型。基本的混合模型为线性混合模型和非线性混合模型。线性混合模型不考虑像元内部基本物质在成像过程中的相互影响,认为高光谱图像中的像元是端元和丰度的线性组合。与非线性混合模型相比,线性模型具有建模简单物理意义明确等优点,因此目前常用的解混算法一般是基于线性混合模型的。本文研究的重点是对高光谱图像线性解混算法的研究。本文首先概述总结了叁类不同的基于线性混合模型的解混技术。基于几何的解混技术分为端元提取和丰度反演技术两部分。端元提取技术利用高光谱图像数据的空间特性,通过寻找单形体的顶点来获得端元。非监督的解混技术在没有其他外在信息的条件下,利用高光谱数据自身丰富的光谱信息以及空间信息进行解混。基于光谱库的稀疏解混技术利用已有的光谱库,结合稀疏性约束解混出图像的端元和丰度。在对叁类解混技术概述总结的基础上,本文提出了模糊C均值解混(fuzzy c-means unmixing, FCMU)方法和基于分块的VCA端元提取方法。(1) FCMU将聚类理论和模糊理论引入高光谱解混模型。聚类理论使得解混得到的端元具有一定的物理意义和较高的准确度。模糊理论使得解混所得相对丰度满足实际丰度非负性以及和为1的约束。FCMU在已知端元个数的情况下,利用目标函数和迭代算法同时求出高光谱图像中的端元和相对丰度。实验结果表明FCMU提取的端元准确度有很大的提高。(2)针对VCA(vertex component analysis)端元提取时容易遗漏端元,提取精度不高的问题,本文提出了基于分块的VCA端元提取方法。该方法的基本思想是,将复杂环境的高光谱图像用一定的非监督分类方法,分为多个相对简单的图像部分,对分块后的各个块内区域使用VCA提取端元,从而在一定程度上降低了全局图像的噪声对算法的影响,避免了遗漏主要端元,提高了端元提取的准确度。在实验部分使用不同空间复杂度的两类高光谱图像数据进行算法测试。实验结果表明,基于分块的VCA端元提取方法提取端元的精度和反演丰度的准确度上都有很大的提高。(本文来源于《山东大学》期刊2016-04-25）
尹晓玉,谢贤平,李建功[8]（2015）在《矿井通风网路的线性解算法及其程序设计》一文中研究指出针对"京大二试算法"存在的不足——当已知矿井总风量时,"京大二试算法"的迭代格式是错误的,解算出的风量分配不合理,提出了矿井通风网络线性算法的数学模型。该通风网络算法是将支路特性方程变换为线性关系,则风网回路方程被线性化,就可以应用线性逼近法求解。该算法弥补了"京大二试算法"的缺陷,当已知矿井总风量时,解算出的风量值更接近真值,结果更加精确。介绍了线性算法数学模型的迭代格式及迭代精度问题,并编制了该线性算法的Matlab程序,程序简单,节省计算时间,给出了算法原理,并以实例进行计算,得到了令人满意的结果。(本文来源于《安全与环境学报》期刊2015年04期）
李琳琳[9]（2015）在《Cauchy核中多复变微分方程自回归线性解初值问题》一文中研究指出研究Cauchy核中多复变微分方程自回归线性解初值问题,为物理控制和生物医学演化等数学模型的构建提供数学基础。特别在高温冷却下的温度场有限元分析控制中具有重要的控制应用价值,采用非线性微分方程解分析的方法,通过对方程的多个逼近特征解进行分析,提取出所有解的特征,从而求解稳定解,此方法在多解相关性强的情况下具有较好的效果。在两个状态时滞向量的Cauchy核中求解多复变微分方程泛函,得到自回归线性解初值的最小正特征带状的连接权,根据Cauchy核中多复变微分方程泛函,得到Cauchy核最优解和Cauchy核最优边界,通过证明得到Cauchy核中多复变微分方程的自回归线性初值是连续收敛和渐进稳定的,且在闭环控制性能曲面上至少有一个稳定解。分析结果有利于提高高温冷却下的温度场有限元分析控制性能。(本文来源于《科技通报》期刊2015年02期）
宋梅萍,张甬荣,安居白,包海默[10]（2014）在《基于有效端元集的双线性解混模型》一文中研究指出光谱解混是用于定量分析高光谱图像中成分含量的一项重要技术方法,主要包括线性解混模型和非线性解混模型。线性解混模型构造简单,但并未考虑不同成分光子间的相互影响,导致解混结果在很多实际图像上不够精确。常用的非线性混合模型中的双线性解混算法,随着图像中端元数量增加,虚拟端元的数量也随之快速增加,计算精度受到很大的影响。论文报道改进了双线性解混的模型,并提出一种有效端元子集的选择算法。首先结合欧氏距离和光谱夹角,按照与混合像元的距离,将所有端元排序;然后利用排序结果和误差变化情况选择实际参与混合的端元子集。从而降低了未参与特定混合像元混合的端元对解混结果的影响,提高了解混精度。对模拟图像的测试效果证明了该算法可以减小光谱的重构误差,对实际航拍高光谱溢油图像的分析结果也进一步说明了算法的有效性。(本文来源于《光谱学与光谱分析》期刊2014年01期）
线性解论文开题报告
（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：
高光谱遥感数据丰富的光谱信息有助于更准确的描述土地覆被的类型,但由于传感器的空间分辨率较低,当以城市、郊区为研究对象时高光谱影像中混合像元的存在不可避免。本文模拟高光谱数据混合光谱的解混,对端元不同所带来的解混误差进行了详细的分析;以北京市为研究区,利用Hyperion高光谱数据,结合V-I-S模型和线性光谱混合分析对北京市区、郊区的土地覆被进行了研究;通过信息检测算法,对特定地物目标的识别进行了实验验证,并给出了改良方法。本文对中等空间分辨率的高光谱影像在城市/郊区遥感方面的利用进行了比较全面的分析。论文研究的主要内容和结论如下:(1)利用光谱库的光谱数据模拟由植被、土壤、不透水层构成的混合光谱,使用不同的端元组合对混合光谱线性解混,提出适用于高光谱数据的复合端元解混方法。在同类地物光谱曲线幅度差异较大的情况下,使用复合端元做全约束的线性解混可以有效减少误差,提高相关系数。(2)基于V-I-S模型,利用单端元组合、复合端元组合对Hyperion高光谱影像进行了线性解混。结果显示,复合端元的组合有更小的误差。从真实的高光谱影像上证明了在对影像覆盖面积较大的高光谱数据做全约束的线性解混时,更宜采用复合端元的组合。(3)在遥感影像的处理中,利用植被指数在城市的不同区域发现了与植被丰度相关性更高的波段组合的特征。从整体上看,更靠近植被光谱“红边”区域的波段计算的NDVI与植被丰度的相关性更显着,植被指数与植被丰度的二次多项式拟合相关性更显着。(4)通过对2004年和2010年Hyperion影像的解混,揭示了北京南、北部区域土地覆被的变化特征。土地覆被的变化显示出2004年~2010年间北京南部和北部区域均有一定程度的植被、土壤向不透水层的转变,越靠近市区变化越明显,在离市区较远的区域不透水层主要沿干道向两侧扩张。(5)利用高光谱数据通过信息检测的方法,对小的目标进行了识别。利用多种信息检测方法对Hyperion数据进行了实验,优化了信息检测输出的方法,并改良了一种多目标识别方法的应用,使其可以更有效的检测Hyperion影像中的目标信号。
（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。
线性解论文参考文献
[1].袁博.马尔可夫随机场的空间相关模型在非负矩阵分解线性解混中的应用[J].计算机应用.2017
[2].王曦.基于Hyperion影像的高光谱数据线性解混与目标检测—土地覆被识别实证[D].中国地质大学(北京).2017
[3].陈允杰,葛魏东,孙乐.一种基于协同稀疏和全变差的高光谱线性解混方法[J].自动化学报.2018
[4].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
[5].尹凤.高光谱线性解混的理论与方法及应用研究[D].成都理工大学.2016
[6].林娜,杨武年,王斌.利用核方法进行高光谱遥感图像线性解混[J].武汉大学学报(信息科学版).2017
[7].聂明钰.高光谱图像线性解混算法研究[D].山东大学.2016
[8].尹晓玉,谢贤平,李建功.矿井通风网路的线性解算法及其程序设计[J].安全与环境学报.2015
[9].李琳琳.Cauchy核中多复变微分方程自回归线性解初值问题[J].科技通报.2015
[10].宋梅萍,张甬荣,安居白,包海默.基于有效端元集的双线性解混模型[J].光谱学与光谱分析.2014