基于樽海鞘群体优化非负矩阵分解的高光谱图像解混算法

针对鲁棒非负矩阵分解应用于高光谱图像处理时,存在对初始值的敏感性,求解目标函数时易陷入局部最优的缺点,提出基于樽海鞘群体优化鲁棒非负矩阵分解的高光谱图像解混算法.该算法基于鲁棒线性混合模型,在RNMF框架下,采用樽海鞘群体算法取代乘法迭代策略,以增强算法全局搜索能力,在约束空间内随机搜索满足目标函数的全局最优解,可有效地完成非线性高光谱图像解混.仿真数据与真实遥感数据实验结果表明,本文算法在处理高光谱图像时,能够有效地避免RNMF算法易陷入局部最优解的局限性,具有更好的解混性能.     

基于稀疏和正交约束非负矩阵分解的高光谱解混

针对基于非负矩阵分解（NMF）的高光谱解混存在的容易陷入局部极小值和受初始值影响较大的问题，提出一种稀疏和正交约束相结合的NMF的线性解混算法SONMF。首先，从传统的基于NMF的高光谱线性解混方法出发，分析高光谱数据本身的理化特性；然后，结合丰度的稀疏性和端元的独立性两个方面，将稀疏非负矩阵分解（SNMF）和正交非负矩阵分解（ONMF）两种方法结合应用到高光谱解混当中。模拟数据和真实数据实验表明，相比顶点成分分析法（VCA）、SNMF和ONMF这三种参考解混算法，所提算法提高了线性解混的性能；其中，评价指标光谱角距离（SAD）降低了0.012~0.145。SONMF能够结合两种约束条件的优势，弥补传统基于NMF线性解混方法对高光谱数据表达的不足，取得较好的效果。     

利用稳健非负矩阵分解实现无监督高光谱解混

目的 基于非负矩阵分解的高光谱图像无监督解混算法普遍存在着目标函数对噪声敏感、在低信噪比条件下端元提取和丰度估计性能不佳的缺点。因此,提出一种基于稳健非负矩阵分解的高光谱图像混合像元分解算法。方法 首先在传统基于非负矩阵分解的解混算法基础上,对目标函数加以改进,用更加稳健的L₁范数作为重建误差项,提高算法对噪声的适应能力,得到新的无监督解混目标函数。针对新目标函数的非凸特性,利用梯度下降法对端元矩阵和丰度矩阵交替迭代求解,进而完成优化求解,得到端元和丰度估计值。结果 分别利用模拟和真实高光谱数据,对算法性能进行定性和定量分析。在模拟数据集中,将本文算法与具有代表性的5种无监督解混算法进行比较,相比于对比算法中最优者,本文算法在典型信噪比20 dB下,光谱角距离（spectral angle distance,SAD）增大了10.5%,信号重构误差（signal to reconstruction error,SRE）减小了9.3%;在真实数据集中,利用光谱库中的地物光谱特征验证本文算法端元提取质量,并利用真实地物分布定性分析丰度估计结果。结论 提出的基于稳健非负矩阵分解的高光谱无监督解混算法,在低信噪比条件下,能够获得较好的端元提取和丰度估计精度,解混效果更好。     

非负矩阵分解融合高光谱和多光谱数据

由于光谱分辨率和空间分辨率的制约以及物理条件的限制,高光谱数据具有很高的光谱分辨率而其空间分辨率却很低。因此,一般高光谱数据的空间分辨率往往低于仅有几个波段的多光谱数据的空间分辨率。高光谱数据和多光谱数据的融合可以得到同时具有高空间分辨率和高光谱分辨率的数据,进而应用于更高空间分辨率下地物的识别和分类。非负矩阵分解(Nonnegative Matrix Factorization)算法用于实现低空间分辨率高光谱数据和高空间分辨率多光谱数据的融合。首先利用顶点成分分析法VCA(Vertex Component Analysis)分解高光谱数据,得到初始的端元波谱矩阵和端元丰度矩阵;然后用非负矩阵分解算法交替地对高光谱数据和多光谱数据进行分解,得到高光谱分辨率的端元波谱矩阵和高空间分辨率的丰度矩阵;最后两个矩阵相乘得到高空间分辨率和高光谱分辨率的融合结果。在每一步非负矩阵分解过程中,数据之间的传感器观测模型用于分解矩阵的初始化。AVIRIS和HJ-1A数据实验结果分析表明:非负矩阵分解算法有效提高了高光谱数据的所有波长范围内波段数据的空间分辨率,而高精度的融合结果可用于地物的目标识别和分类。     

基于PSO的模糊聚类算法

提出了一种基于模糊C-均值算法和粒子群算法的混合聚类算法。该算法结合PSO的全局搜索和FCM局部搜索的特点，将PSO优化聚类结果作为后续FCM算法的初始值，有效地克服了FCM对初始值敏感、易陷入局部最优和PSO算法局部搜索较弱的问题，同时增强了跳出局部最优的能力。实验表明，新算法得到的目标函数值更小，并能减小分类错误率，聚类效果优于单一使用FCM或PSO。     

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PSO的模糊C-均值聚类算法的图像分割

根据粒子群优化算法（PSO）强大的全局搜索能力,提出了用PSO算法优化模糊C均值聚类（FCM）的聚类中心的方法,有效地避免了传统的FCM对初始值及噪声数据敏感,容易陷入局部最优的缺点,同时图像分割的效果也得到了提高,性能也比传统的FCM方法更加稳定。实验结果反映了该方法的有效性。     

一种用于高光谱遥感影像分类的改进多类支持向量机

将支持向量机(SVM)用于高光谱遥感影像分类的研究,采用决策边界特征提取(DBFE)算法对高光谱影像进行维数约简,以径向基函数(RBF)作为SVM模型的核函数,把混沌优化搜索技术引入到PSO算法中,以基本PSO算法为主体流程,对种群中最好的粒子进行给定步数的混沌优化搜索,以改进基本PSO算法进化后期收敛速度慢、易陷入局部极小值的缺陷。利用改进的混合粒子群优化算法(PSO)来实现SVM模型参数的自动选择,继而构建了一种参数最优的粒子群优化支持向量机(PSO-SVM)多类分类模型。选用220波段的AVIRIS高光谱遥感影像进行了分类试验。结果表明,与采用基于留一法(LOO)网格搜索策略的传统SVM相比,改进后的PSO-SVM算法可以提高分类精度约8.8%。该方法对于小样本、非均衡条件下的遥感影像数据分类非常有效。     

粒子群空间优化的端元提取算法

粒子群优化算法（Particle Swarm Optimization,PSO）应用于高光谱影像端元提取时,由于影像中存在端元的像元数所占比例极小且分布零散,导致粒子群的搜索空间破碎,存在收敛性能低、容易陷入局部最优解等缺陷。对粒子群的搜索空间进行优化,选择影像中纯净像元指数（Pixel Purity Index,PPI）较大的像元作为预选像元,然后对预选像元进行光谱聚类排序,将排序后的集合作为粒子群的搜索空间,优化了粒子的搜索空间。并在迭代过程中,充分利用粒子群的信息自适应地调整其系数,在缩小原始图像与反演图像的误差同时,增加体积约束,在提取端元时更好地保持其原有的形状。通过模拟数据和AVIRIS影像的实验表明该算法具有较好端元提取效果。     

基于改进花朵授粉的K-均值聚类算法

针对K-means聚类算法依赖于初始值并易陷入局部最优值的问题,提出了一种基于改进花朵授粉的K-means聚类算法。该算法首先通过混沌映射的序列作为花朵种群的初值位置,保证花朵种群在搜索空间的多样性、确定性;然后在花朵授粉的后期搜索阶段引入禁忌搜索算法以避免陷入局部最优解;最后将改进后的FPA算法用于优化K-means算法的初值。在五个聚类数据集上的实验结果表明,改进后算法的平均聚类准确率相比于花朵授粉聚类算法提高了12.2%,证明了该算法对于低维数据集具有更好的聚类效果。     

基于PSO的预测控制及在聚丙烯中的应用

输入输出受限非线性系统的预测控制问题，可以看作是一个难以直接求解的约束非线性优化问题。针对预测控制在解决此类优化问题时，存在易收敛到局部极小或者非可行解，对初始值敏感等缺点，提出了一种基于微粒群优化方法的非线性预测控制算法。采用微粒群优化算法（PSO）作为模型预测控制的滚动优化方法，在线实时求解最优控制律。将PSO与序贯二次规划（SQP）算法进行对比仿真实验，求解两个标准函数优化问题，结果表明PSO能够快速有效地求得全局最小点，而SQP则很容易陷入局部极小点。将该算法应用于丙烯聚合反应过程的温度控制中，仿真结果显示了该方法的有效性。     

Nonsmooth nonnegative matrix factorization (nsNMF)

We propose a novel nonnegative matrix factorization model that aims at finding localized, part-based, representations of nonnegative multivariate data items. Unlike the classical nonnegative matrix factorization (NMF) technique, this new model, denoted "nonsmooth nonnegative matrix factorization" (nsNMF), corresponds to the optimization of an unambiguous cost function designed to explicitly represent sparseness, in the form of nonsmoothness, which is controlled by a single parameter. In general, this method produces a set of basis and encoding vectors that are not only capable of representing the original data, but they also extract highly focalized patterns, which generally lend themselves to improved interpretability. The properties of this new method are illustrated with several data sets. Comparisons to previously published methods show that the new nsNMF method has some advantages in keeping faithfulness to the data in the achieving a high degree of sparseness for both the estimated basis and the encoding vectors and in better interpretability of the factors.     

凸松弛全局优化机器人手眼标定

针对机器人运动学正解及相机的外参数标定存在偏差时,基于非线性最优化的手眼标定算法无法确保目标函数收敛到全局极小值的问题,提出基于四元数理论的凸松弛全局最优化手眼标定算法。考虑到机械手末端相对运动旋转轴之间的夹角对标定方程求解精度的影响,首先利用随机抽样一致性（RANSAC）算法对标定数据中旋转轴之间的夹角进行预筛选,再利用四元数参数化旋转矩阵,建立多项式几何误差目标函数和约束,采用基于线性矩阵不等式（LMI）凸松弛全局优化算法求解全局最优手眼变换矩阵。实测结果表明,该算法可以求得全局最优解,手眼变换矩阵几何误差平均值不大于1.4 mm,标准差小于0.16 mm,结果稍优于四元数非线性最优化算法。     

基于改进的粒子群算法和信息熵的知识获取方法

针对粒子群优化算法（PSO）易陷入局部优化的问题,在PSO算法加入交叉变异算子,克服了标准PSO算法易陷入局部最优的不足;并将改进的PSO算法和模糊C 均值聚类相结合,提出了一种新的模糊聚类算法CMPSO FCM,该算法具有良好的搜索能力和聚类效果。进而将聚类得到的属性隶属矩阵用于属性约简,并提出一种基于信息熵的模糊粗糙集知识获取的方法。实验和实例分析表明该方法的正确性和有效性。     

马尔可夫随机场的空间相关模型在非负矩阵分解线性解混中的应用

针对基于非负矩阵分解（NMF）的高光谱解混存在的初始化与"局部极小"等问题,提出一种基于马尔可夫随机场（MRF）的空间相关约束NMF线性解混算法（MRF-NMF）。首先,通过基于最小误差的高光谱信号识别（HySime）法估算端元数量,同时利用顶点成分分析（VCA）和全约束最小二乘法（FCLS）初始化端元矩阵与丰度矩阵;其次,利用MRF模型建立描述地物空间分布规律的能量函数,以此描述地物分布的空间相关特征;最后,将基于MRF的空间相关约束函数与NMF标准目标函数以交替迭代的形式参与解混,得出高光谱数据的端元信息与丰度分解结果。理论分析和真实数据实验结果表明,在高光谱数据空间相关程度较低的情况下,相比最小体积约束的NMF （MVC-NMF）、分段平滑和稀疏约束的NMF （PSNMFSC）和交互投影子梯度非负矩阵分解（APS-NMF）三种参考算法,所提算法的端元分解精度仍分别提高了7.82%、12.4%和10.1%,其丰度分解精度仍分别提高了8.34%、12.6%和9.87%。MRF-NMF能够弥补NMF对于空间相关特征描述能力的不足,减小解混结果中地物的空间能量分布误差。     

基于PSO-BP算法的规范手写体数字离线识别

针对BP算法存在的易陷入局部极小点、收敛速度慢、所设计的网络泛化能力不能保证等问题,提出了一种基于粒子群优化算法（PSO）的BP（PSO—BP）网络的权值调整新方法。该算法在基本BP算法的误差反传调整权值的基础上,再引入PSO算法的权值修正,从而建立了基于PSO—BP网络模型。基于此模型设计了规范手写体数字识别的分类器,采用随机手写数字样本进行了仿真实验,结果表明：PSO-BP算法提高了网络的稳定性,避免了BP算法容易进入平坦区、陷入局部极小等问题。     

基于粒子进化的多粒子群优化算法

提出了一种基于粒子进化的多粒子群优化算法。该算法采用局部版的粒子群优化方法,多个粒子群彼此独立地搜索解空间,从而增强了全局搜索能力;利用重置进化粒子位置的方法使陷入局部值的粒子摆脱局部最小,从而有效地避免了"早熟"问题,提高了算法的稳定性。对3个测试函数进行了对比实验,结果表明该算法优于标准粒子群算法。     

基于密度敏感距离的改进模糊C均值聚类算法

模糊C均值（FCM）聚类算法无法识别非凸数据,算法中基于欧式距离的相似性度量只考虑数据点之间的局部一致性特征而忽略了全局一致性特征。提出一种利用密度敏感距离度量创建相似度矩阵的FCM算法。通过近邻传播算法获取粗类数作为最佳聚类数的搜索范围上限,以解决FCM算法聚类数目需要人为预先设定和随机选定初始聚类中心造成聚类结果不稳定的问题。在此基础上,改进最大最小距离算法,得到具有代表性的样本点作为初始聚类中心,并结合轮廓系数自动确定最佳聚类数。基于UCI数据集和人工数据集的实验结果表明,相比经典FCM、K-means和CFSFDP算法,该算法不仅具有识别复杂非凸数据的能力,而且能够在保证聚类性能和稳定性的前提下加快收敛速度。     

一种改进的基于粒子群的粗糙K-medoids算法

针对K-medoids算法的全局搜索能力弱和迭代计算过程计算量大的不足,提出了一种改进的基于粒子群的粗糙K-medoids算法。该算法通过粒子群算法来改善K-medoids全局搜索能力,通过计算样本集的相异度矩阵来简化粒子群编码,引入粗糙集理论处理边界模糊数据,并利用记忆技术对K-medoids的迭代过程进行优化,降低算法的复杂度。通过对UCI中的Iris、Mushroom数据集测试,该算法的准确率提高,运行时间减少。