典型文献
面向高光谱分类的局部几何稀疏保持嵌入
文献摘要：
大量维数约简(Dimensionality reducion,DR)方法表明保持数据间稀疏特性的同时,确保几何结构的保持能更有效提取出具有鉴别性的特征,为此本文提出一种联合局部几何近邻结构和局部稀疏流形的维数约简方法.该方法首先通过局部线性嵌入方法重构每个样本以保持数据的局部线性关系,同时计算样本邻域内的局部稀疏流形结构,在此基础上通过图嵌入框架保持数据的局部几何近邻结构和稀疏结构,最后在低维嵌入空间中使类内数据尽可能聚集,提取低维鉴别特征,从而提升地物分类性能.在Indian Pines和PaviaU高光谱数据集上的实验结果表明,本文方法相较于传统维数约简方法能明显提高地物的分类性能,总体分类可达到83.02％和91.20％,有利于实际应用.
文献关键词：
高光谱图像;维数约简;稀疏表示;流形学习;协同嵌入
中图分类号：
作者姓名：
黄鸿;唐玉枭;段宇乐
作者机构：
重庆大学光电工程学院光电技术与系统教育部重点实验室 重庆400044
文献出处：
引用格式：
[1]黄鸿;唐玉枭;段宇乐-.面向高光谱分类的局部几何稀疏保持嵌入)[J].自动化学报,2022(10):2496-2507
A类：
reducion,保几何结构,PaviaU
B类：
光谱分类,维数约简,Dimensionality,DR,保持数据,稀疏特性,有效提取,近邻,局部线性嵌入,方法重构,时计,邻域,流形结构,图嵌入,稀疏结构,低维嵌入,鉴别特征,地物分类,分类性能,Indian,Pines,高光谱数据,高光谱图像,稀疏表示,流形学习,协同嵌入
AB值：
0.365206
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
