导读:本文包含了维数约减论文开题报告文献综述及选题提纲参考文献，主要关键词:软件缺陷预测,线性LTSA算法,流形学习,支持向量机
维数约减论文文献综述
王玉红,范菁,曲金帅,冯景义[1]（2019）在《基于线性LTSA算法维数约减的软件缺陷预测研究》一文中研究指出软件缺陷预测是软件开发过程中的一项重要技术,针对软件缺陷数据集的高维、小采样造成预测精度下降的问题,采用线性局部切空间排列算法对数据集降维处理,选用支持向量机作为基础分类器进行二值分类,建立软件缺陷预测模型,采用二维混淆矩阵评价模型的预测精度.实验结果表明,与其他模型相比,该模型可用较少的邻域点约简至更低的维度,不需要重新学习样本空间的流行几何结构,直接映射新的样本点,且预测时间耗费成本由13. 726 9 s降低至6. 217 s,给定参数区间寻优时间耗费由267. 442 1 s降低至165. 98 s,有效提高了软件缺陷预测的效率.(本文来源于《云南民族大学学报(自然科学版)》期刊2019年01期）
安金梁[2]（2018）在《基于张量表征的高光谱遥感影像维数约减与分类》一文中研究指出高光谱遥感影像通常具有纳米级的光谱分辨率,其包含的丰富的光谱信息为我们进行精细地物分析提供了可能。随着高光谱传感器技术的发展,光谱波段数目不断增加,但过高的特征维数也会带来巨大的存储和计算代价,特别是在训练样本较少的情况下,会出现维数灾难问题,降低分类算法的性能。因此,如何在减少特征维数的同时,从原始光谱中获取更有效的特征表达,实现维数约减,是高光谱遥感影像处理领域中十分重要的问题。已有研究证明,空间信息对于高光谱遥感影像维数约减具有重要意义。传统基于向量表达的维数约减方法会破坏高光谱遥感影像的空间结构信息,导致维数约减算法性能的下降。为了充分利用高光谱遥感影像的空间信息,本论文以张量分析为基本工具,在充分挖掘高光谱遥感影像空间结构的基础上,针对高光谱遥感影像不同波段间相似度较高,存在较大冗余的特点,挖掘高光谱遥感影像低秩、稀疏等结构信息,提出基于张量表达的高光谱遥感影像维数约减与分类算法。论文主要工作概括如下:(1)提出了高光谱遥感影像的组张量低秩分解模型。高光谱遥感影像的地物分布在空间上具有局部相似性和非局部相似性,基于张量表达的方法能够很好的挖掘高光谱遥感影像的局部空间相似性信息,但是传统的张量方法不能很好的挖掘同类地物间的空间非局部相似性。同时,现有的低秩张量方法大多会涉及到复杂的秩的求解,增加了算法的复杂性。针对以上问题,提出了高光谱遥感影像的组张量低秩分解模型。首先对张量样本进行聚类操作,则聚类组内张量样本具有局部和非局部的相似性。然后利用低秩张量近似分析的方法对每个聚类组进行分解,通过合理设置张量样本的空间维尺度,实现低秩分解过程中张量样本各模上秩的直接设定,避免了对于具体低秩取值的估计。最后,利用Tucker分解的方法实现高光谱遥感影像的维数约减。(2)提出了高光谱遥感影像的张量紧致特征判别分析方法。高光谱遥感影像具有光谱分辨率高、波段数目多的特点。通过分析发现,原始波段间具有较强的相关性,冗余信息较多,特征信息在不同波段间的分布相对分散,降低了数据的表示性能。针对这一问题,利用张量分解的方法提取到紧致的特征表示,从而使光谱特征分布更为集中,增强了特征的表示能力。同时,为了提高约减后数据的判别性,引入张量判别分析,利用张量类内、类间离散度差值准则获得了高光谱遥感影像各模上的最优因子矩阵,最后在Tucker分解框架下利用得到的因子矩阵对高光谱遥感影像进行维数约减。(3)构建了高光谱遥感影像的张量低秩稀疏图。作为两种重要的数据表示方法,低秩表示能够挖掘数据全局结构信息,稀疏表示能够挖掘数据的局部结构信息,并且这两种方法也被扩展到了张量空间。但是在现有的方法中,这两种表示方法大多是分开考虑的。同时,现有的方法对得到的低秩和稀疏表示中所包含的结构信息缺乏进一步深层次的挖掘,从而限制了低秩和稀疏表示的性能。针对以上问题,将高光谱遥感影像的低秩表示和稀疏表示统一在一个框架之中,利用迭代求解的方法得到了能够同时表示数据低秩和稀疏特性的因子矩阵。然后,利用得到的因子矩阵构建具有较强表示能力的张量图。同时,利用聚类算法挖掘高光谱遥感影像的非局部相似性,提高所施加的低秩和稀疏约束的有效性,并减少了算法的计算量。最后,在基于图的维数约减框架下实现高光谱遥感影像的维数约减。(4)构建了高光谱遥感影像的多流形正则低秩图。基于低秩图的方法能够很好的挖掘高光谱遥感影像的整体结构信息,但该类方法无法很好的提升数据的判别性。针对这一问题,将子流形和多流形的概念推广到张量空间,提出基于张量多流形的判别分析,提高处理后数据的判别性。同时将低秩约束统一在了张量多流形判别分析的框架之中,利用迭代求解的方法得到高光谱遥感影像各模上的因子矩阵。最后利用因子矩阵构建具有较强表示能力和判别能力的张量图并在基于图的维数约减框架下实现了高光谱遥感影像的维数约减。该方法充分考虑到高光谱遥感影像的空间信息、多流形判别信息和低秩信息,维数约减后的数据能够保持原始数据的结构信息并有较强的判别性。(5)提出了高光谱遥感影像的张量多尺度低秩分解模型。低秩是高光谱遥感影像非常重要的特性,但是基于张量表达的低秩分析在高光谱遥感影像领域的应用面临两个重要的挑战:一是目前张量样本的获得方法大多都是通过对原始叁维高光谱遥感影像在空间维利用固定窗分割的方式得到,窗口大小对于算法性能具有较大的影响,但确定最优的窗口大小非常困难。二是在进行低秩分析时,对于高光谱遥感影像各模上最佳秩的确定是非常困难的,同时在不同尺度的秩下可以获得高光谱遥感影像不同尺度的结构特点,而单一尺度秩下的表示很难全面的表征高光谱遥感影像的结构特点。为了解决以上问题,提出了基于张量多尺度低秩模型的维数约减方法。该方法以原始高光谱遥感影像为处理对象,避免了张量样本分割时空间窗尺寸的确定问题。同时提出了一个多尺度秩的估计方法,对原始的高光谱遥感影像进行多尺度低秩分解,实现更为全面的表征。最后,利用低秩张量近似分解策略实现维数约减。(本文来源于《西安电子科技大学》期刊2018-09-01）
蔡榕竹[3]（2017）在《基于稀疏和低秩表示的高光谱图像维数约减》一文中研究指出高光谱图像是一个包含像元空间信息和光谱信息的“图谱合一”立方块数据。因为其成像原理是成像光谱仪发射连续的窄带波对地物进行反射得到高光谱数据,所以高光谱数据一般有几十或者成百条波段。丰富的光谱信息增加了图像信息的同时,也带来了很多的问题与挑战,例如波段数目过多,会导致数据量庞大,占用较大的存储空间,同时计算复杂度增加,算法耗时长。因此,对高光谱数据进行有效的维数约减非常有必要。本文主要对高光谱数据的维数约减方法进行了研究,从波段选择和特征提取两个方面着手提出解决方法,实现对原始高光谱数据的降维。本论文的主要工作如下:(1)提出一种基于联合稀疏表示的高光谱图像波段选择方法。对单独波段进行稀疏表示时,忽略了波段之间的相似性,可能使本身相似的波段被差异性很大的波段表示。为了避免这个问题,本章的方法用光谱角衡量波段间的相似度,找出最相似的波段组,用所有的高光谱图像做字典,对相似波段组进行联合稀疏表示,找出对于重构相似波段组贡献最大的波段,最终选择出现频次最高的波段。该方法在真实的高光谱数据集上进行了验证,效果都优于经典的波段选择方法。(2)提出一种基于改进的稀疏子空间聚类的高光谱图像波段选择方法。用低秩稀疏表示从全局和局部两方面来衡量波段之间的关系,然后用光谱信息散度(SID)来衡量变换域波段之间的相似度,接下来对相似度矩阵构造的邻接矩阵进行谱聚类,用熵度量的方法从每一个簇中选出最有代表性的波段。本文提出的方法不仅用稀疏表示衡量原始波段的局部线性结构,同时低秩正则很好的度量了波段之间的全局关系,同时对噪声鲁棒。该方法在真实的高光谱数据集上进行了验证,效果比经典的波段选择方法更好。(3)提出一种基于半监督稀疏图构造的高光谱图像维数约减算法。因为半监督方法具有使用少量训练样本和大量未标记样本提高分类器性能的优势,所以本章选择用半监督方法对高光谱数据降维。稀疏图可以很好的保留样本的判别信息,同时构图简单,我们用有标记样本得到的稀疏系数构造类内图和类间图。考虑到KNN图可以很好的度量样本的局部信息,同时降低计算复杂度,所以在本文中用KNN图来度量无标记样本的本质结构属性。该方法在真实的高光谱数据集上进行验证,实验的分类精度得到了一定的提升。(本文来源于《西安电子科技大学》期刊2017-05-01）
陈璞花[4]（2016）在《基于稀疏图的高光谱数据维数约减》一文中研究指出随着成像光谱技术的进一步发展,高光谱数据的光谱分辨率不断被提高,得到的地物光谱特征更加精细化,可以实现地物的更细分类。但是,高维的光谱特征会对后续的数据处理带来一系列的问题,例如计算复杂度的增加,冗余信息对模型稳定性的影响以及对训练样本数量要求的提高等。处理这些问题最直接的方法就是维数约减。稀疏图是通过稀疏表示得到的一种具有稀疏特性的图,它具有优于一般图如6)近邻图和近邻图的特性,如噪声鲁棒性,稀疏性,自适应性。由于高光谱数据的非线性特性,保留局部结构信息的低维特征更利于后续的分类问题。本论文中的工作主要从两点出发:(1)稀疏图的学习,如何学习得到包含更多判别信息的稀疏图;(2)结合高光谱数据的数据特性,设计更适合高光谱数据的维数约减方法。结合以上两点,论文中共提出了下面的五个方法:(1)提出了基于双稀疏图的半监督维数约减方法,用于解决高光谱数据训练样本难获取的问题。首先,使用联合6)近邻选择策略选择伪标记样本来补充标记样本集。接下来,通过稀疏表示得到双稀疏图,包含标记样本集中的正结构信息和负结构信息。在不同的准则下,提出了两种基于双稀疏图的半监督判别分析算法。为了降低伪标记样本的不准确性对结果的影响,两种算法分别在传统模型上使用了不同的加权策略。在UCI和高光谱数据上的试验结果验证了所提出方法的有效性,以及对比经典的维数约减方法的优势。(2)提出了一种基于稀疏图学习的无监督维数约减方法。在该方法中,稀疏图的构造和投影矩阵的学习被整合到一个框架下,并且通过迭代学习相互影响。在稀疏图学习的过程中,投影特征被用来增强稀疏图的判别信息。同样,在投影学习中,增强后的稀疏图可以使得到的投影特征的判别能力更强。除此之外,原空间中的空谱特征与投影空间中的结构信息相结合,学习得到一种不精确的判别信息。在不精确判别信息的引导下,通过交替迭代学习得到的投影空间中包含有丰富的判别信息,更加有利于后面的分类问题。两组高光谱图像数据上的实验验证了该算法的优势。(3)基于稀疏保持投影的思想,提出了一种改进的稀疏保持投影降维方法,称为基于自适应稀疏图学习的维数约减方法。在稀疏图学习的过程中,对样本的稀疏度参数加入了自适应的调整策略,每个样本的稀疏度参数不再是固定不变的。除此之外,在投影学习的过程中引入了一个新的度量,用来控制每个样本在投影学习中所起到的作用。由于自适应稀疏图的学习是一个迭代的过程,因此,投影空间的信息被应用到下一次迭代中,可以对稀疏图的学习起到指导作用。通过在叁种不同类型的数据上的实验,证明了所提出方法的性能优势以及它的普适性。(4)提出了一种基于多视角图集成的图嵌入方法。针对高光谱数据,不同的谱带集合可以看做是对地物的不同视角的观测,从每个视角所发现的结构信息可能是不同的。通过这种方法可以提升传统的图嵌入方法在高光谱数据上的效果。通过整合多视角图,图嵌入可以利用更多更准确的结构信息得到比传统方法更好的结果。除此之外,基于多视角集成的图嵌入方法可以被看做是一个算法框架,可以被推广到不同的图嵌入方法中。实验结果证实了提出的方法可以显着提高传统图嵌入方法的性能。(5)考虑到高光谱图像的空间特性,提出了空谱正则稀疏图,它与一般的稀疏图相比,判别能力更强。基于稀疏保持的思想,将空谱正则稀疏图应用到了高光谱谱带选择中,提出了基于空谱正则稀疏图的谱带选择方法。_(2,1)范数约束被用来约束投影矩阵,使得新特征的构造只需要少量的原始特征。使用每个谱带在新特征中的贡献程度来定义每个谱带的重要性分值,根据这个度量选择出少量的重要波带。实验验证了该算法相较于对比算法的性能优势。(本文来源于《西安电子科技大学》期刊2016-09-01）
付兴虎[5]（2016）在《基于图的半监督维数约减方法的研究》一文中研究指出维数约减已经成为当前机器学习领域的受人关注的研究热点。维数约减是将数据由高维约减到低维的过程而用来揭示数据的本质低维结构。它作为克服“维数灾难”的途径在这些相关领域中扮演着重要的角色。在众多维数约减方法中,由于基于图的维数约减方法简单、容易理解和高性能等特点使其得到了广泛的学习和研究。基于图的方法把每个样本数据作为在图中的一个节点,强调样本数据结构的嵌入即高维空间中的结构在低维空间中得到保持。如何在高维样本上构造图是基于图的维数约减算法的关键。一个好的图再结合适当的降维算法就会有着良好的性能表现。其中,与传统降维算法不同,半监督降维在有限的有价值标记信息或者成对约束下经常可以得到好的低维嵌入比那些无监督降维方法。在过去的几十年里,有着大量的降维算法被提出如:传统的无监督降维方法主成分分析(PCA)、有监督降维方法线性判别分析(LDA)、流行学习算法、基于图的降维算法等等。但大多数方法都多少存在着一些问题,如小样本问题、分类问题、样本的非线性分布问题等等。在本文中针对在高维数据上构造的近邻图难以较好的刻画样本间的相似性,在其上的优化过程并不有助于后续的降维学习,同时也为了进一步提高维数约减算法的效率和降维后的分类精度,我们对半监督维数约减的方法进行了系统的研究。具体来说,论文主要工作包含如下2个方面:(1)提出了一种基于组合图的半监督维数约减算法——SSDRCG。SSDRCG利用随机子空间的思想,把每一个子空间通过聚类的方式构造子图。然后把各个子图融合在一起构成组合图。最后把我们构造的新图与基于成对约束的半监督维数约减算法相结合形成新的降维算法。为了验证该算法的性能,我们将SSDRCG分别与多种维数约减方法进行对比,通过在不同的人脸数据集上的实验证明,该算法降维后的分类精度高于其它方法,时间复杂度也低于增强型保举投影算法(ELPP)。(2)提出一种改进的基于混合图的半监督维数约减算法——SSDRHG。SSDRHG在混合图的构造策略上进一步改进,打造新的图,然后应用到基于成对约束的半监督维数约减中,既利用了同类约束和异类约束,同时也利用了未标记数据进行维数约减。同样的通过在2种不同的人脸数据集上进行实验,得到的结果与多种方法在相同参数下取得的结果进行对比,结果表明这种方法更加优越,不仅降维后的分类精确度高于其它相关方法,而且对近邻参数的选取和噪声数据更加的鲁棒。同时这样方法的思想也可以应用到其它基于图的学习中。(本文来源于《西南大学》期刊2016-04-21）
尹学松,蒋融融,江立飞,施建华[6]（2017）在《基于成对约束的非线性维数约减框架》一文中研究指出半监督维数约简是指借助于辅助信息与大量无标记样本信息从高维数据空间找到一个最优低维判别空间,便于后续的分类或聚类操作,它被看作是理解基因序列、文本与人脸图像等高维数据的有效方法。提出一个基于成对约束的半监督维数约简一般框架(SSPC)。该方法首先通过使用成对约束和无标号样本的内在几何结构学习一个判别邻接矩阵;其次,新方法应用学到的投影将原来高维空间中的数据映射到低维空间中,以至于聚类内的样本之间距离变得更加紧凑,而不同聚类间的样本之间距离变得尽可能得远。所提出的算法不仅能找到一个最佳的线性判别子空间,还可以揭示流形数据的非线性结构。在一些真实数据集上的实验结果表明,新方法的性能优于当前主流基于成对约束的维数约简算法的性能。(本文来源于《计算机工程与应用》期刊2017年05期）
沈建国[7]（2015）在《一种高性能改进型半监督维数约减算法》一文中研究指出针对局部重构和全局保持的半监督维数约减算法在对类内、类间关系进行处理时忽略了数据的局部性的缺点,以及增强的半监督局部Fisher判别分析算法在保持数据流形结构时忽略了数据流形结构局部性的缺点,提出一种改进型的半监督维数约减算法.该算法通过一种改进的热核权重来表示样本间距离的重要性,以此使得处于同一类簇的类内、类间关系更加得到重视,可以优先减少或加大处于同一类簇的类内或类间距离;此外在保持数据流形结构时,采用局部线性嵌入算法的思想,即要求低维空间里每个点的邻域线性重构关系和该点在高维空间里的邻域重构关系类似,并将数据流形结构的局部性考虑进去.实验结果表明,该算法在COIL20,Extended YaleB与CMU PIE等标准库上的分类性能比其他半监督维数约减算法更具优势.(本文来源于《西南师范大学学报(自然科学版)》期刊2015年11期）
贺予迪[8]（2014）在《基于流形学习和低秩表示的维数约减算法研究》一文中研究指出维数约减算法一直是机器学习和模式识别中很重要的一个部分.由于现实生活中数据的爆炸式的增长，使得计算机对数据的处理变得越来越复杂，维数灾难是各种算法和实际应用中面临的一个非常重要的挑战。本论文以高光谱遥感图像分类、人脸识别等为应用背景，针对维数约减算法中流形几何结构的利用以及空间结构信息的利用，基于已有的维数约减算法研究的基础上，提出来一些新的基于低秩表示的维数约减算法以及对现有的维数约减算法进行改进，并将所提出和改进的算法应用于高光谱遥感图像分类、人脸识别、手写体分类等应用中。本论文主要工作概括如下：（1）提出了一种基于区域一致性低秩表示的维数约减算法并应用于高光谱遥感图像的分类。为了同时利用到高光谱图像的谱段信息和空间信息，谱段信息用低秩表示进行全局表示，空间信息利用均值漂移预分割后的图像构造区域相似性矩阵，同时对低秩表示系数矩阵和相似性矩阵进行约束优化得到降维映射矩阵。实验结果表明，该算法能有效地提高分类识别精度，尤其在有标签样本数很少的情况，可以保持较高的识别率，与传统方法相比具有很大的优势。（2）提出了一种基于图正则低秩表示维数约减方法，根据低秩表示对噪声的鲁棒性以及全局性表示的特性，结合图的方法中数据的流形几何结构信息，提出了图正则低秩表示维数约减算法，并在人脸识别和高光谱图像数据上进行实验验证，与传统的维数约减方法进行比较，提高了后续识别的精确度。（3）提出了基于标度切维数约减基础上，针对标度切准则求解中的特征值求解的问题，利用Decomposed Newton’Method算法求解出了精确解，代替了以往求解目标函数时广义特征值求解的近似解问题。并且也应用到了局部标度切、核标度切以及核局部标度切中。该方法成功应用于UCI数据分类、人脸识别、USPS手写体识别和高光谱遥感图像降维分类中。本文的工作得到了国家自然科学基金（61272282），"教育部新世纪优秀人才支持计划”（NCET-13-0948）和中央高校基础科研业务费（K50511020011）等项目的资助。(本文来源于《西安电子科技大学》期刊2014-03-01）
潘江山[9]（2014）在《肿瘤基因表达谱维数约减与聚类集成》一文中研究指出近几年,肿瘤以近乎疯狂的速度侵蚀着人类的健康,与此同时基因芯片技术的不断完善推动着肿瘤基因表达谱数据呈爆炸式增长。虽然肿瘤基因表达谱数据为研究人员以新的角度探索肿瘤的奥秘提供了契机,但是这些数据普遍具有维数高、样本少、噪声高、类分布不平衡的问题,给研究工作的顺利开展带来巨大的挑战。如何有效地处理与研究此类数据已引起大量学者的兴趣。研究有效的算法选取核心的致病基因或者隐含变量进行维数约减以及研究稳定可信的聚类算法发现新的肿瘤亚型是当前肿瘤基因表达谱的两个研究重点。本文正是针对这两个方面进行研究,完成工作如下：1、本文首次将近邻成分分析法NCA应用于肿瘤基因表达谱中的分类问题。同时,针对近邻成分分析法NCA初始矩阵设置的随机性和盲目性,提出利用样本矩阵SVD分解得到的右奇异矩阵的标准化形式作为NCA算法的初始值,使得初始矩阵包含尽可能多的信息。实验结果表明,改进后的NCA算法INCA可以有效地提取分类信息,提高肿瘤分类识别率。2、针对肿瘤基因表达谱维数较高的特点,提出一种结合fisher特征选择和Pearson相关系数的特征基因选择新方法。传统fisher算法所定义的fisher指标在量化基因重要度时没有考虑不同类样本之间方差的差异,导致均值相同但方差不同的基因由于fisher指标为0而被错误地去除。本文提出的改进算法Vfisher引入新的基因重要度指标Vfisher,一定程度上弥补了这一缺陷。此外,在不影响分类准确率的情况下,利用Pearson相关系数法去除Vfisher值较小的冗余基因,可以进一步压缩数据。3、由于基因表达谱数据高维小样本的特性,使得许多常见的聚类算法用于基因谱数据都难以取得较好的聚类效果。聚类集成可在一定程度上克服单一聚类准确率低、稳定性差的不足。传统聚类集成算法侧重于对共识函数和聚类成员的研究,而忽视簇标记统一基准的选择。本文提出MSA聚类集成算法引入Silhouette指标并以Silhouette指标值最大的聚类成员作为统一的基准。在与现有的多种聚类集成算法比较时,MSA算法均具有一定的优越性。(本文来源于《福州大学》期刊2014-01-01）
文贵华,蔡先发,韦佳[10]（2013）在《用于癌症分类的随机子空间半监督维数约减(英文)》一文中研究指出精确的癌症分类对于癌症的成功诊断和治疗是必不可少的.半监督维数约减算法在干净的数据集上表现得很好,然而当面临噪声时,当前的大部分算法所构造的邻域结构是拓扑不稳定的.为了克服这一问题,文中提出了一种基于随机子空间的半监督维数约减算法(RSSSDR),将随机子空间与半监督维数约减算法结合起来.在数据集的不同随机子空间上,该算法首先设计多个不同的子图,然后将这些子图联合起来构成一个混合图并在其上进行维数约减.该算法通过最小化局部重构误差来确定邻域图的边权值,在保持癌症数据集局部结构的同时能够保持其全局结构.在公共癌症数据集上的实验结果表明,RSSSDR算法具有较高的分类准确率和较好的参数鲁棒性.(本文来源于《华南理工大学学报(自然科学版)》期刊2013年07期）
维数约减论文开题报告
（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：
高光谱遥感影像通常具有纳米级的光谱分辨率,其包含的丰富的光谱信息为我们进行精细地物分析提供了可能。随着高光谱传感器技术的发展,光谱波段数目不断增加,但过高的特征维数也会带来巨大的存储和计算代价,特别是在训练样本较少的情况下,会出现维数灾难问题,降低分类算法的性能。因此,如何在减少特征维数的同时,从原始光谱中获取更有效的特征表达,实现维数约减,是高光谱遥感影像处理领域中十分重要的问题。已有研究证明,空间信息对于高光谱遥感影像维数约减具有重要意义。传统基于向量表达的维数约减方法会破坏高光谱遥感影像的空间结构信息,导致维数约减算法性能的下降。为了充分利用高光谱遥感影像的空间信息,本论文以张量分析为基本工具,在充分挖掘高光谱遥感影像空间结构的基础上,针对高光谱遥感影像不同波段间相似度较高,存在较大冗余的特点,挖掘高光谱遥感影像低秩、稀疏等结构信息,提出基于张量表达的高光谱遥感影像维数约减与分类算法。论文主要工作概括如下:(1)提出了高光谱遥感影像的组张量低秩分解模型。高光谱遥感影像的地物分布在空间上具有局部相似性和非局部相似性,基于张量表达的方法能够很好的挖掘高光谱遥感影像的局部空间相似性信息,但是传统的张量方法不能很好的挖掘同类地物间的空间非局部相似性。同时,现有的低秩张量方法大多会涉及到复杂的秩的求解,增加了算法的复杂性。针对以上问题,提出了高光谱遥感影像的组张量低秩分解模型。首先对张量样本进行聚类操作,则聚类组内张量样本具有局部和非局部的相似性。然后利用低秩张量近似分析的方法对每个聚类组进行分解,通过合理设置张量样本的空间维尺度,实现低秩分解过程中张量样本各模上秩的直接设定,避免了对于具体低秩取值的估计。最后,利用Tucker分解的方法实现高光谱遥感影像的维数约减。(2)提出了高光谱遥感影像的张量紧致特征判别分析方法。高光谱遥感影像具有光谱分辨率高、波段数目多的特点。通过分析发现,原始波段间具有较强的相关性,冗余信息较多,特征信息在不同波段间的分布相对分散,降低了数据的表示性能。针对这一问题,利用张量分解的方法提取到紧致的特征表示,从而使光谱特征分布更为集中,增强了特征的表示能力。同时,为了提高约减后数据的判别性,引入张量判别分析,利用张量类内、类间离散度差值准则获得了高光谱遥感影像各模上的最优因子矩阵,最后在Tucker分解框架下利用得到的因子矩阵对高光谱遥感影像进行维数约减。(3)构建了高光谱遥感影像的张量低秩稀疏图。作为两种重要的数据表示方法,低秩表示能够挖掘数据全局结构信息,稀疏表示能够挖掘数据的局部结构信息,并且这两种方法也被扩展到了张量空间。但是在现有的方法中,这两种表示方法大多是分开考虑的。同时,现有的方法对得到的低秩和稀疏表示中所包含的结构信息缺乏进一步深层次的挖掘,从而限制了低秩和稀疏表示的性能。针对以上问题,将高光谱遥感影像的低秩表示和稀疏表示统一在一个框架之中,利用迭代求解的方法得到了能够同时表示数据低秩和稀疏特性的因子矩阵。然后,利用得到的因子矩阵构建具有较强表示能力的张量图。同时,利用聚类算法挖掘高光谱遥感影像的非局部相似性,提高所施加的低秩和稀疏约束的有效性,并减少了算法的计算量。最后,在基于图的维数约减框架下实现高光谱遥感影像的维数约减。(4)构建了高光谱遥感影像的多流形正则低秩图。基于低秩图的方法能够很好的挖掘高光谱遥感影像的整体结构信息,但该类方法无法很好的提升数据的判别性。针对这一问题,将子流形和多流形的概念推广到张量空间,提出基于张量多流形的判别分析,提高处理后数据的判别性。同时将低秩约束统一在了张量多流形判别分析的框架之中,利用迭代求解的方法得到高光谱遥感影像各模上的因子矩阵。最后利用因子矩阵构建具有较强表示能力和判别能力的张量图并在基于图的维数约减框架下实现了高光谱遥感影像的维数约减。该方法充分考虑到高光谱遥感影像的空间信息、多流形判别信息和低秩信息,维数约减后的数据能够保持原始数据的结构信息并有较强的判别性。(5)提出了高光谱遥感影像的张量多尺度低秩分解模型。低秩是高光谱遥感影像非常重要的特性,但是基于张量表达的低秩分析在高光谱遥感影像领域的应用面临两个重要的挑战:一是目前张量样本的获得方法大多都是通过对原始叁维高光谱遥感影像在空间维利用固定窗分割的方式得到,窗口大小对于算法性能具有较大的影响,但确定最优的窗口大小非常困难。二是在进行低秩分析时,对于高光谱遥感影像各模上最佳秩的确定是非常困难的,同时在不同尺度的秩下可以获得高光谱遥感影像不同尺度的结构特点,而单一尺度秩下的表示很难全面的表征高光谱遥感影像的结构特点。为了解决以上问题,提出了基于张量多尺度低秩模型的维数约减方法。该方法以原始高光谱遥感影像为处理对象,避免了张量样本分割时空间窗尺寸的确定问题。同时提出了一个多尺度秩的估计方法,对原始的高光谱遥感影像进行多尺度低秩分解,实现更为全面的表征。最后,利用低秩张量近似分解策略实现维数约减。
（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。
维数约减论文参考文献
[1].王玉红,范菁,曲金帅,冯景义.基于线性LTSA算法维数约减的软件缺陷预测研究[J].云南民族大学学报(自然科学版).2019
[2].安金梁.基于张量表征的高光谱遥感影像维数约减与分类[D].西安电子科技大学.2018
[3].蔡榕竹.基于稀疏和低秩表示的高光谱图像维数约减[D].西安电子科技大学.2017
[4].陈璞花.基于稀疏图的高光谱数据维数约减[D].西安电子科技大学.2016
[5].付兴虎.基于图的半监督维数约减方法的研究[D].西南大学.2016
[6].尹学松,蒋融融,江立飞,施建华.基于成对约束的非线性维数约减框架[J].计算机工程与应用.2017
[7].沈建国.一种高性能改进型半监督维数约减算法[J].西南师范大学学报(自然科学版).2015
[8].贺予迪.基于流形学习和低秩表示的维数约减算法研究[D].西安电子科技大学.2014
[9].潘江山.肿瘤基因表达谱维数约减与聚类集成[D].福州大学.2014
[10].文贵华,蔡先发,韦佳.用于癌症分类的随机子空间半监督维数约减(英文)[J].华南理工大学学报(自然科学版).2013