为了提高高光谱遥感影像的分类精度,提出了一种基于稀疏非负最小二乘编码的高光谱数据分类方法。采用非负最小二乘方法,将待测样本表示为训练样本的线性组合,并将得到的系数作为待测样本的特征向量,通过最小误差方法对待测样本进行分类...为了提高高光谱遥感影像的分类精度,提出了一种基于稀疏非负最小二乘编码的高光谱数据分类方法。采用非负最小二乘方法,将待测样本表示为训练样本的线性组合,并将得到的系数作为待测样本的特征向量,通过最小误差方法对待测样本进行分类。提出的方法在AVIRIS Indian Pines和萨利纳斯山谷高光谱遥感数据集上进行分类实验,并和主成分分析(PCA)、支持向量机(SVM)和基于稀疏表示分类器(SRC)方法进行比较,在2个数据集上本文方法的总体识别精度分别达到85.31%和99.56%,Kappa系数分别为0.816 3和0.986 7。实验结果表明本文方法的总体识别精度和Kappa系数都优于另外3种方法,是一种较好的高光谱遥感数据分类方法。展开更多
拉曼光谱因它可以提供非常丰富的结构信息而被看作是一项"指纹"技术,因此拉曼光谱可以被用作物质的定性识别。并且拉曼光谱具有制样简单,不破坏样品,在几乎所有的环境下都可以采集。通常认为拉曼光谱只能提供纯物质的结构信息...拉曼光谱因它可以提供非常丰富的结构信息而被看作是一项"指纹"技术,因此拉曼光谱可以被用作物质的定性识别。并且拉曼光谱具有制样简单,不破坏样品,在几乎所有的环境下都可以采集。通常认为拉曼光谱只能提供纯物质的结构信息,故利用拉曼光谱分析混合物的成分是有难度的。在便携式拉曼光谱仪、光谱数据库和化学计量学的基础上,开发了一种快速的混合物鉴别方法。根据基于小波域的自动精确峰值检测拉曼光谱的特点,对经典的逆搜索过程进行了改进。匹配质量可以用计算混合物和数据库中相减光谱中的负比率(按最小比例计算反向匹配峰的比值),提出一种基于改进的逆搜索和非负最小二乘法(Reverse searching and non-negative least squares,RSearch-NNLS),用于混合物分析。方法包括以下步骤:1)通过Whittaker平滑、ariPLS基线校正以及连续小波变换建立纯物质的拉曼光谱库;2)通过逆检索法对采集到的混合物拉曼光谱进行定性分析;3)根据第2步的结果,使用非负最小二乘法对候选化合物进行比例估算。方法是一种鉴别混合物的方法,具有一定的应用前景。展开更多
目的提出一种综合利用肽段信息的蛋白质定量方法WeQuant(weighted peptide-based protein quantification),以提高蛋白质定量的通量与准确度,特别是低丰度蛋白质。方法基于肽段和蛋白质的关系,按照肽段的丰度与来源对所有肽段进行加权,...目的提出一种综合利用肽段信息的蛋白质定量方法WeQuant(weighted peptide-based protein quantification),以提高蛋白质定量的通量与准确度,特别是低丰度蛋白质。方法基于肽段和蛋白质的关系,按照肽段的丰度与来源对所有肽段进行加权,并利用肽段和蛋白质的等量关系建立加权非负最小二乘模型,从而得到蛋白质的相对丰度。结果与传统蛋白质定量方法相比,WeQuant在实验数据集上显著增加了有效定量的蛋白质数量,并在不同丰度范围均达到了更高的定量准确度。此外,WeQuant能够有效定量未被其他方法报告的低丰度蛋白质。结论本文提出的基于加权非负最小二乘的模型能够克服对高丰度肽段和唯一肽段的依赖,实现对不同丰度范围的蛋白质进行准确定量。展开更多
传统的基于统计的子空间学习算法如主成分分析,通过学习只能得到一系列特征脸,忽略了人脸识别中重要的局部信息(如眼睛、鼻子)。而利用到类别信息的算法如线性判别分析,也会因为小样本问题而有所影响。为了解决这些问题,结合二维偏最小...传统的基于统计的子空间学习算法如主成分分析,通过学习只能得到一系列特征脸,忽略了人脸识别中重要的局部信息(如眼睛、鼻子)。而利用到类别信息的算法如线性判别分析,也会因为小样本问题而有所影响。为了解决这些问题,结合二维偏最小二乘与非负矩阵分解的非负性思想提出二维非负偏最小二乘(Two-Dimensional Nonnegative Partial Least Squares,2DNPLS)算法。其核心思想是在提取人脸特征时加入了非负性约束,使得2DNPLS不仅拥有偏最小二乘算法加入类别信息带来的分类效果,还保留了图像矩阵的内部结构信息,而且还使得到的基矩阵具有非负的局部的可解释性。在ORL,Yale人脸库中的实验结果表明,该算法从时间上和识别率上均优于人脸识别的主流算法。展开更多
文摘为了提高高光谱遥感影像的分类精度,提出了一种基于稀疏非负最小二乘编码的高光谱数据分类方法。采用非负最小二乘方法,将待测样本表示为训练样本的线性组合,并将得到的系数作为待测样本的特征向量,通过最小误差方法对待测样本进行分类。提出的方法在AVIRIS Indian Pines和萨利纳斯山谷高光谱遥感数据集上进行分类实验,并和主成分分析(PCA)、支持向量机(SVM)和基于稀疏表示分类器(SRC)方法进行比较,在2个数据集上本文方法的总体识别精度分别达到85.31%和99.56%,Kappa系数分别为0.816 3和0.986 7。实验结果表明本文方法的总体识别精度和Kappa系数都优于另外3种方法,是一种较好的高光谱遥感数据分类方法。
基金Supported by the National Natural Science Foundation of China(1160101271561008)+3 种基金Guangxi Natural Science Foundation(2018GXNSFAA138169)Guangxi Key Laboratory of Cryptography and Information Security(GCIS201708)Guangxi Key Laboratory of Automatic Detecting Technology and Instruments(YQ16112YQ18112)
文摘拉曼光谱因它可以提供非常丰富的结构信息而被看作是一项"指纹"技术,因此拉曼光谱可以被用作物质的定性识别。并且拉曼光谱具有制样简单,不破坏样品,在几乎所有的环境下都可以采集。通常认为拉曼光谱只能提供纯物质的结构信息,故利用拉曼光谱分析混合物的成分是有难度的。在便携式拉曼光谱仪、光谱数据库和化学计量学的基础上,开发了一种快速的混合物鉴别方法。根据基于小波域的自动精确峰值检测拉曼光谱的特点,对经典的逆搜索过程进行了改进。匹配质量可以用计算混合物和数据库中相减光谱中的负比率(按最小比例计算反向匹配峰的比值),提出一种基于改进的逆搜索和非负最小二乘法(Reverse searching and non-negative least squares,RSearch-NNLS),用于混合物分析。方法包括以下步骤:1)通过Whittaker平滑、ariPLS基线校正以及连续小波变换建立纯物质的拉曼光谱库;2)通过逆检索法对采集到的混合物拉曼光谱进行定性分析;3)根据第2步的结果,使用非负最小二乘法对候选化合物进行比例估算。方法是一种鉴别混合物的方法,具有一定的应用前景。
文摘目的提出一种综合利用肽段信息的蛋白质定量方法WeQuant(weighted peptide-based protein quantification),以提高蛋白质定量的通量与准确度,特别是低丰度蛋白质。方法基于肽段和蛋白质的关系,按照肽段的丰度与来源对所有肽段进行加权,并利用肽段和蛋白质的等量关系建立加权非负最小二乘模型,从而得到蛋白质的相对丰度。结果与传统蛋白质定量方法相比,WeQuant在实验数据集上显著增加了有效定量的蛋白质数量,并在不同丰度范围均达到了更高的定量准确度。此外,WeQuant能够有效定量未被其他方法报告的低丰度蛋白质。结论本文提出的基于加权非负最小二乘的模型能够克服对高丰度肽段和唯一肽段的依赖,实现对不同丰度范围的蛋白质进行准确定量。
文摘传统的基于统计的子空间学习算法如主成分分析,通过学习只能得到一系列特征脸,忽略了人脸识别中重要的局部信息(如眼睛、鼻子)。而利用到类别信息的算法如线性判别分析,也会因为小样本问题而有所影响。为了解决这些问题,结合二维偏最小二乘与非负矩阵分解的非负性思想提出二维非负偏最小二乘(Two-Dimensional Nonnegative Partial Least Squares,2DNPLS)算法。其核心思想是在提取人脸特征时加入了非负性约束,使得2DNPLS不仅拥有偏最小二乘算法加入类别信息带来的分类效果,还保留了图像矩阵的内部结构信息,而且还使得到的基矩阵具有非负的局部的可解释性。在ORL,Yale人脸库中的实验结果表明,该算法从时间上和识别率上均优于人脸识别的主流算法。