高光谱数据组分信息的盲分解方法

将基于独立成分分析(independent component analysis,ICA)技术的盲分解方法(blind signal separation,BSS)应用于遥感混合像元的定量分解,解决了幅度不确定性问题,实现了从高光谱数据中同时得到定量的组分光谱信息和组分权重信息。通过数值模拟实验提出了光谱反演区间的选择方法,进一步完善了该算法,且讨论了算法的稳健性。以陕西省横山县为试验区,从HYPERION高光谱影像中反演了各像元的植被覆盖度,并利用SPOT5影像进行了精度验证,结果表明该方法具有较高的精度。

混合像元组分信息的盲分解方法

从混合像元中分解组分信息是遥感反演的重要内容.若遥感物理过程可用线性方程组表达,遥感测量信息矩阵就等于权重矩阵乘以混合像元的组分信息矩阵,一般认为,求解组分信息矩阵的前提是权重矩阵已知.利用盲分解方法则无需已知权重矩阵,直接将矩阵分解.其原理是利用了遥感可测信息矩阵大量样本的统计特性,获得分解所需的附加信息,给出组分信息矩阵和权重矩阵的估计值.但盲分解方法仅可以复原组分信息的波形,不能确定幅度.为得到混合像元的定量组分信息,文中选择作物*土壤混合像元为主要研究对象进行盲分解研究,解决了盲分解的幅度不确定性,并通过数值模拟和应用实验验证了该方法.研究表明盲分解可以成为遥感混合像元信息分解的有效工具之一,具有良好的应用前景.

基于独立分量分析的高光谱遥感图像混合像元盲分解

高光谱遥感图像中各端元的分布不是相互独立的,传统基于独立分量分析的分解方法,只能先提取混合像元中的端元,后解混丰度,具有较高的统计不变性,盲分解效果差。基于此在独立分量分析方法中添加丰度非负约束和丰度和为一约束条件,使该方法能降低传统方法的统计不变性,通过变换主成分中心化处理原始高光谱遥感图像数据,降低波段数据之间存在的相关性;采用牛顿迭代法多次分解迭代高光谱遥感图像数据获取多个解混矩阵,通过正交化投影求解多个解混矩阵,初始化处理多个解混矩阵后,对其进行归一化处理,当临近两个矩阵值之差绝对值无限趋于零时,能获取最佳解混矩阵,采用该矩阵同步分解高光谱遥感图像混合图像的端元光谱矩阵和丰度向量,完成高光谱遥感图像混合像元的盲分解。经过实验分析发现在信噪比为15dB时,该方法分解高光谱遥感图像端元均方根误差和平均光谱角距离误差,最小值分别是0.07%和0.02%,且误差变化幅度小,即该方法分解效果较好。

基于空谱初始化的非负矩阵光谱混合像元盲分解

混合像元分解是提高遥感监测能力的有效方法之一,因此一直以来是遥感领域的重要研究内容。非负矩阵盲分解(Non-negative Matrix Factorization,NMF)方法无需监督选择端元,无需假定纯像元存在,且能同步获取优化的端元光谱与端元丰度,从而为先验知识不足、高度混合场景下的混合像元分解提供了不错的选择,因此成为高光谱混合像元分解方法的重要分支之一。但NMF易陷入局部最优,若直接应用于混合像元解混难以获取稳定的最优解,从而影响了NMF在光谱混合分解的推广应用。针对这一问题,提出一种利用空谱预处理(SSPP)改进NMF的混合像元分解方法(SSPP-NMF)。首先利用SSPP算法结合空间和光谱信息筛选出合理有效的数据子集;然后用NMF算法对筛选出的数据子集进行混合像元分解,获取具有空间均匀性和光谱纯净性的端元光谱;最后基于上一步获取端元光谱利用非负最小二乘法(NNLS)获取整个研究区的最终端元丰度。为检验该方法的有效性和适用性,分别采用模拟仿真数据和真实遥感影像分析了SSPP对NMF的改善效果,并与ATGP-NMF、MVC-NMF两种基于初始化改进NMF的方法进行了比较分析,结果表明:相比ATGP-NMF、MVC-NMF而言,SSPP算法更能有效抑制噪声的影响,明显地提高NMF分解效果,并且具有较高的时间效率。

基于特征值分解的循环平稳离散时间信号的盲分离

盲分离的目的是从观测到的混叠信号中恢复出各个未知的源信号,现今的很多方法都是利用了信号时域表示的某些统计特性来解决这个问题。从信号频域分析的角度提出了一种利用信号的循环平稳特性来处理离散时间信号的频域盲分离方法。该方法构造两个二阶统计矩阵的乘积,并对该乘积矩阵进行特征值分解,从而实现源信号的分离;同时,还对特征值分解的条件进行了分析。该方法在低维信号的情况下可以取得相当满意的分离效果,仿真结果表明该方法具有良好的性能。

EMD分解盲源分离算法在振动筛故障诊断中的应用

振动筛广泛运用于工业领域,振动筛故障诊断研究有实际意义。以振动筛轴承故障为例,先估计振动筛轴承故障时的振动源数,再利用基于经验模态分解(EMD)的盲源分离(BSS)算法分析振动筛轴承的故障特征。

基于EEMD-SOBI的水电机组多源信息分离处理

水电机组振动观测信号包括相互耦合的水-机-电振源及各类噪声成分,本文提出采用集合经验模态分解-二阶盲辨识(ensemble empirical mode decomposition-second order blind source separation, EEMD-SOBI)的方法对多源观测信号进行识别。对观测信号进行解相关等初步处理后,白化计算各信号二阶统计量,计算观测信号协方差对角矩阵,最终计算振源的最优估计,对振源成分进行识别。仿真计算和模拟计算的结果均表明,仅利用观测信号均可分离出源信息且对噪声不敏感,基本能够识别出源信息,针对某电站实测单信号和多信号分析时,可有效识别出信号源成分,为水电机组的振源识别提供支撑。

基于谱线形状与信息量差异的高光谱解混NMF初始化方法

在高光谱像元解混应用中,好的端元光谱矩阵初始化方法对于提高盲信号分解精度具有重要意义。针对空间分辨率较高的高光谱数据,提出了一种新的面向非负矩阵分解(non-negative matrix factorization,NMF)的初始化方法。该方法通过计算像元在谱线形状和信息量差异等方面的参数,利用像元谱线峭度、KL散度和光谱角等参量,从众多混合像元中识别出纯像元;并分辨出不同类型纯像元(或类纯像元)之间的差别,从中选择最适合代表每一类型端元的纯像元(或类纯像元)作为算法的初值像元,完成端元矩阵的初始化。将此方法分别用于模拟数据和真实数据的实验结果表明,该方法能够明显提高高光谱混合数据的NMF精度,相比其他常用初始化方法具有更好的效果。

基于盲源信号处理的脑电特征提取方法的研究

本文首先研究对比AMUSE、SOBI、JADE、FastICA四种典型盲源信号处理算法提取脑机接口(BCI)中四种运动想象脑电源信号(想象左手、右手、脚和舌)的分类识别正确率。之后从时间和空间两个角度,组合应用两种盲源信号处理算法,解决特征提取时脑电信号微弱、不平稳和极易受到各种干扰的问题。研究结果表明:通过组合SOBI和FastICA算法,能够提取出比较微弱的想象运动源信号,并且能够在一定程度上消除外部干扰的影响,有利于进一步研究大脑在运动控制过程中的脑电生理机制,提高BCI系统的实际应用能力。

遥感影像混合像元分解及超分辨率重建研究进展

随着遥感应用的深入,传统将遥感影像像元当作纯净像元的方式所带来的问题已经被广泛认识到,混合像元分解的相关理论和技术成为遥感领域的一个热点问题。本文总结了混合像元分解及超分辨率影像重建的主要理论和方法。根据超分辨率影像重建的主要流程,分别回顾了混合像元端元类型选择、端元丰度分解和超分辨率影像的重建,并对相关模型和技术给出了总结和评价。端元类型选择是确定在影像范围包含的纯净地物类型,重点介绍了基于统计学和几何学的两种方法。端元丰度估计是目前该领域研究最多的方向之一,集中了很多新的理论和方法,可变端元分解和盲源分解作为2种效果较好的方法在文中作了详细的回顾和评价。空间自相关性是对丰度估计的结果进行超分辨率重建的主要理论基础,如何在丰度约束条件下最大化空间自相关性是大多数基于混合像元分解超分辨率重建的目标。最后,文章在总结目前混合像元分解及超分辨率遥感影像理论发展的基础上,给出了一些意见和展望,指出考虑混合像元形成机理、综合多种模型及先验信息将有助于基于混合像元分解的超分辨率遥感影像研究。