基于稀疏非负最小二乘编码的高光谱遥感数据分类方法

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。

纳米颗粒粒径测量的非负最小二乘法算法分析及改进

介绍用于光子相关光谱法颗粒粒径分布计算中的非负最小二乘法,并对其进行改进,增加自动搜索反演范围功能。通过数值模拟分析,比较了在无噪声和多种噪声水平影响下非负最小二乘法和自动搜索反演范围的最小二乘法对单分散和双分散颗粒系的反演结果。研究表明:自动搜索反演范围的最小二乘法用于颗粒粒径的计算能获得更加准确的结果。

光子相关光谱法粒径测量的非负最小二乘法

介绍光子相关光谱法测量纳米颗粒粒径的基本原理.将非负最小二乘法程序用于光子相关光谱法的反演计算.对4种已知尺寸的单分散纳米颗粒样品,采用非负最小二乘法进行反演测试.并将测试的结果和样品的标称直径以及美国Brookhaven公司仪器的测量结果进行比较.结果显示,非负最小二乘法能够准确地反演出单分散纳米颗粒的粒径大小及粒径分布.

Partial EIV模型的非负最小二乘方差分量估计

Partial Errors-in-Variables(Partial EIV)模型是EIV模型的扩展形式,权阵构造简单,当系数矩阵中存在非随机元素和随机元素时,Partial EIV模型的适用性更强。针对Partial EIV模型中随机模型不准确的情况,将系数矩阵和观测向量分别作为一类数据,本文在该模型的基础上,使用最小二乘方差分量估计方法,推导相关计算公式及迭代算法,分别估计出相应的方差分量估值。并对出现的负方差使用非负最小二乘理论,增加约束条件,对随机模型进行修正,得到更加合理的参数估值。试实验结果表明,本文的方法与其他方差分量估计方法等价。

加权非负最小二乘光子相关光谱纳米颗粒粒径反演方法

为了降低采用光子相关光谱法进行纳米颗粒测量时噪音对颗粒粒径反演结果的影响,提出了一种基于加权非负最小二乘法的光子相关光谱纳米颗粒粒径计算方法.该方法以光子相关光谱自身作为权值,推导出反演算法的离散模型,避免了接近零点的测量数据波动对测量结果的影响.利用光子相关光谱纳米检测实验平台对90nm、190nm及混合的乳胶颗粒进行实验研究,并与传统非负最小二乘法反演结果进行了对比.60s测量时间的30次实验数据表明:对单峰颗粒群进行反演时,该方法多次测量结果与传统非负最小二乘法结果相近,但是多次重复测量的方差较小,证明该方法重复性较好;对多峰颗粒群进行反演时,该方法反演结果更接近颗粒的真实值,而非负最小二乘法其反演结果与真实值有较大偏离.在不同测量时间的实验数据表明:测量较短的情况下,该方法反演结果方差较小,能在更短的采样时间情况下,获得更准确的测量结果.

求解非负矩阵分解的交替非负最小二乘法的一种修正策略（英文）

本文研究了关于求解非负矩阵分解的交替非负最小二乘法的全局收敛性.利用一种修正策略保证了极限点的存在性,得到了极限点为非负矩阵分解问题的稳定点.此外,给出了推广的修正策略.数值实验结果表明上述修正策略是有效的.

基于非负最小二乘的矢量阵反卷积波束形成方法

针对现有反卷积波束形成方法无法直接适用于矢量阵等具有移变点扩散函数阵列的问题,本文给出了一种利用非负最小二乘法进行矢量阵这种移变模型的反卷积求解方法。推导了矢量阵的广义卷积模型,并在常规矢量阵波束输出、矢量阵点扩散函数字典、目标函数之间建立差函数方程组,通过最小化差函数的原则来实现对目标函数的求解,从而实现矢量阵反卷积波束形成处理。本文方法同样适用于其他移变模型阵列反卷积求解。对本文方法与传统波束形成、最小方差无畸变响应和多重信号分类方法在主瓣宽度、旁瓣级和稳健性等方面的性能进行了对比分析。结果表明本文方法在存在阵元位置误差情况下具有更窄的主瓣宽度和更低的主旁瓣比。

基于非负最小二乘法的全色与高光谱图像融合

现有光学遥感图像融合方法主要针对全色与多光谱图像,直接将其用于全色与高光谱图像融合存在以下问题:高光谱图像波段数量远多于多光谱图像,通过高光谱波段加权合成低分辨率全色图像,容易出现灰度失真;高光谱图像与全色图像的空间分辨率相差很大,采用现有的加性变换融合方法,会导致融合图像中部分地物出现光谱或细节失真。为此,文章提出了基于非负最小二乘法的全色与高光谱图像融合方法。首先对高光谱图像进行波段压缩,得到波段压缩的高光谱图像;然后对波段压缩的高光谱图像及全色图像进行非负最小二乘拟合,得到低分辨率全色图像;最后,采用比值变换模型生成融合图像。试验表明该方法的光谱与细节保真效果好,优于对比方法。

非负最小二乘约束的加权贝叶斯反演算法研究

在多角度动态光散射纳米颗粒粒度分析反演算法中,加权贝叶斯算法具有较好的抗噪性能,然而初值敏感、耗时长等缺点限制了其广泛应用,本文提出非负最小二乘约束下的加权贝叶斯反演算法,利用非负最小二乘法的计算结果作为加权贝叶斯算法先验初值,并限制中值粒径和峰宽的寻优.对不同分布宽度的单峰颗粒系统在不同噪声下进行数据模拟,发现无论是宽分布还是窄分布的单峰颗粒系统,非负最小二乘约束的加权贝叶斯算法都可以显著提升迭代收敛速度和抗噪性能,在大噪声时收敛速度提升8倍以上且保证分布误差在0.0709以内.实验结果证明本文算法能很好地应用于多角度动态光散射的粒度分析.

基于非负最小二乘法的一维MT正则化反演研究

为了有效地解决在大地电磁反演过程中出现的不适定性、解的不稳定性和非唯一性等问题,提出了基于非负最小二乘法的MT正则化反演算法,该算法的思想是通过引入正则化思想,模型约束目标函数被采用最光滑模型约束正则化矩阵,有效地改善了不适定问题得到有效改善。为了避免常规方法需要对电阻率取对数的情况,引入了快速非负最小二乘法(这里把反演参数设为电阻率,因而必须为正值),从而简化了反演过程中偏导数矩阵的计算。最后试算不同的地电模型,得到稳定的反演结果,表明了此反演算法是有效的。

基于逆检索-非负最小二乘法的拉曼混合物分析方法研究

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。

一种基于加权非负最小二乘的蛋白质定量方法

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。

动态光散射中非负最小二乘反演算法的研究

动态光散射(dynamic light scattering,DLS)是常用的一种用于检测颗粒粒径分布的方法,而反演算法是粒径测量中的关键技术。在各种反演算法中,非负最小二乘法能够给出粒子尺寸分布(particle size distribution,PSD),具有简单精确的特点。课题组介绍了动态光散射中非负最小二乘法的原理,编写了非负最小二乘法程序,对粒子尺寸分布作了模拟,研究了反演结果与各参数之间的依赖关系,给出了动态光散射实验粒子尺寸分布测量的解决方案。仿真结果表明,可以通过改变步长的方法,利用非负最小二乘法程序反演出粒径分布,然后比较不同步长下的反演结果,选出最优步长,再利用最优步长进行反演计算,最终得到非常精确的粒径分布。

基于非负矩阵分解最小二乘的多视角行人分类算法

针对不同视角的行人样本具有较大的类内差异性,造成多视角行人识别错误率较高的问题,提出一种基于非负矩阵分解最小二乘的多视角行人分类算法.采用非负矩阵分解的方法对多视角的行人样本图像进行子空间分解,提取基向量;引入协同表示的方法并在最小二乘约束下,对子空间进行稀疏表示获得稀疏分解系数;利用近邻子空间方法对分解系数进行分类.基于自行构建的多视角行人数据库进行对比实验,结果表明该算法的准确性和有效性优于其他方法.

大规模非负线性最小二乘问题的一个新算法

研究了求解非负线性最小二乘问题的一个新算法.首先把非负线性最小二乘转化为单调线性互补问题,然后基于牛顿方向和中心路径方向,给出了求解单调线性互补问题的一种势下降内点算法,并证明该算法经过有限次迭代之后收敛到原问题的一个最优解.数值实验表明此方法对求解大规模非负线性最小二乘问题是非常有效的.

基于快速层次交替最小二乘非负张量Tucker分解的干涉高光谱图像光谱信息压缩方法

提出一种基于快速层次交替最小二乘非负张量Tucker分解的高光谱图像光谱信息压缩算法。首先,将干涉高光谱图像光程差方向的三维信息采用三维光程差方向提升小波变换(3DOPT-LDWT)进行分解,将三维小波子带系数看作三阶非负张量,采用快速层次交替最小二乘非负张量Tucker分解(FHALS-NTD)算法对进行分解,得到核心张量和模式矩阵。对每个模式矩阵进行量化,对核心张量采用比特平面重要系数编码算法进行编码,得出最终的压缩码流。结果表明,此压缩算法可以稳定可靠地工作。与传统压缩算法比较,平均信噪比提高了1.23dB。有效的提高了干涉高光谱图像压缩性能。

非负线性最小二乘问题与线性互补问题及不动点问题的等价性

通过Taylor公式建立了非负线性最小二乘问题和线性互补问题之间的等价性,然后,利用这种等价性,把求解非负线性最小二乘问题转化为求解不动点问题中的两个不动点方程.

非负线性最小二乘问题的一种严格可行内点算法

给出了非负线性最小二乘问题的一个新算法。首先,把非负线性最小二乘转化为线性互补问题,结合牛顿方向和中心路径方向,通过求解一个线性方程组得到搜索方向;进而获得了求解非负线性最小二乘问题的一种严格可行内点算法,并证明该算法经过多项式次迭代之后收敛到原问题的一个最优解,数值实验表明此方法是有效的。

二维非负偏最小二乘在人脸识别中的应用

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。

二维非负稀疏偏最小二乘在人脸识别中的应用

近几年偏最小二乘算法在人脸识别中得到了广泛的应用,但是其各种改进算法都没有同时利用非负性算法和稀疏性来提高识别率和鲁棒性。为了解决这些问题,结合二维偏最小二乘与非负性思想和稀疏性约束提出二维非负稀疏偏最小二乘(Two-dimensional nonnegative sparse partial least squares,2DNSPLS)算法。其核心思想是在提取人脸特征时加入了非负性约束和稀疏性约束,使得2DNSPLS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并且具有一定的稀疏性。在Yale和PIE人脸库中的实验表明,该算法从时间上和识别率上均优于人脸识别的主流算法,并且对于遮挡有较好的鲁棒性。