一种基于最小距离和稀疏图正则约束的非负矩阵解混算法

针对非负矩阵解混模型存在容易陷入局部极小值、受噪声影响较大以及混合像元中存在“异物同谱”端元的情况下解混精度较低等问题,为此,本文提出了一种基于最小距离和稀疏图正则约束的非负矩阵分解算法(DLGNMF)。该算法将空间信息与光谱信息相结合,在目标函数中引入单形体距离最小化约束作为端元的约束条件,弥补解混过程中高光谱数据空间几何特性的缺失,将稀疏约束和图正则化约束作为丰度的约束条件,保证了高光谱图像中端元分布的全局稀疏性与局部相似性,更好的改善了非负矩阵模型存在的问题,提高了解混的精度。

基于核凸非负矩阵分解算法的故障检测方法

针对工业过程中复杂的高维非线性采样数据,提出一种基于核凸非负矩阵分解算法的故障检测方法。利用核函数在高维空间中重构原始数据,并用主元分析法对映射后的数据进行白化预处理;对白化后数据进行凸包非负矩阵分解,同时利用图正则化约束保持数据集在整个分解过程中的固有几何结构不发生改变;建立N^(2)和SPE统计量并计算控制限作为数据状态的判别依据。采用TE过程数据集进行仿真实验,结果表明核凸非负矩阵分解算法对过程数据的故障检测具有较好的效果。