[發(fā)明專利]基于分段線性擬合的遙感影像多目標(biāo)快速預(yù)測建模方法

有效

• 申請?zhí)枺?/td>: 202010163440.4
• 申請日: 2020-03-10
• 公開（公告）號: CN111400885B
• 公開（公告）日: 2023-06-06
• 發(fā)明（設(shè)計(jì)）人: 徐嘉;黃宇飛;李智慧;白紹竣;丁建釗;王帥;劉佳欣;胡震岳;王壘
• 申請（專利權(quán)）人: 北京空間飛行器總體設(shè)計(jì)部
• 主分類號: G06F30/20
• 分類號: G06F30/20
• 代理公司: 中國航天科技專利中心 11009
• 代理人: 張曉飛

基于分段線性擬合的遙感影像多目標(biāo)快速預(yù)測建模方法，具體步驟為：1)建立直線擬合模型，采用最遠(yuǎn)距離點(diǎn)劃分的方法實(shí)現(xiàn)分段線性擬合算法，建立直線擬合模型；2)計(jì)算所有分段節(jié)點(diǎn)序列，遍歷所有輸入變量和輸出變量，得到節(jié)點(diǎn)序列；3)計(jì)算最小誤差分段節(jié)點(diǎn)序列參數(shù)，計(jì)算每一維輸入變量對應(yīng)輸出變量的最小誤差分段節(jié)點(diǎn)序列；4)計(jì)算線性模型系數(shù)，并將其存儲為線性模型系數(shù)矩陣；5)對預(yù)測樣本自變量分段，根據(jù)分段節(jié)點(diǎn)序列將預(yù)測輸入變量轉(zhuǎn)換成分段后的預(yù)測輸入變量；6)計(jì)算樣本預(yù)測值，通過分段后的預(yù)測輸入變量和線性模型系數(shù)計(jì)算輸入變量的預(yù)測值。

技術(shù)領(lǐng)域

本發(fā)明涉及一種星載/機(jī)載高分辨率遙感影像多維目標(biāo)快速預(yù)測建模方法。這種方法是通過數(shù)據(jù)回歸實(shí)現(xiàn)，特別多目標(biāo)(或多輸出)回歸，具體是一種基于分段線性擬合的快速多輸出回歸方法。

背景技術(shù)

遙感影像多維目標(biāo)快速預(yù)測建模，是通過回歸分析實(shí)現(xiàn)的。回歸分析研究的是因變量(目標(biāo))和自變量(預(yù)測器)之間的關(guān)系，在自變量與因變量之間建立模型，通過模型對新輸入自變量進(jìn)行預(yù)測。回歸分析是建模和分析數(shù)據(jù)的重要工具。多輸出回歸(Multi-output?regression,MOR)又叫多目標(biāo)回歸，是指同時(shí)可以預(yù)測多個因變量的回歸方法。在一些應(yīng)用中，如圖像超分辨率、基于紅外波段數(shù)據(jù)的土壤成份預(yù)測等，輸入輸出都是多維的，且多維輸出具有某種關(guān)聯(lián)性，這時(shí)需要用到多輸出回歸。多輸出回歸的主流方法是Spyromitros-Xioufis等人在2016年提出的集成回歸鏈(Ensemble?of?regression?chain，ERC)，該方法將第一次輸出作為第二次訓(xùn)練數(shù)據(jù)，多次反復(fù)從而形成“回歸鏈”從而建立回歸模型。ERC戰(zhàn)勝了基于稀疏表示的、基于凸優(yōu)化的和基于多目標(biāo)決策樹的MOR等方法，在通用數(shù)據(jù)集上，獲得了最好的性能。在上述方法中，運(yùn)行速度最快的是基于多目標(biāo)決策樹(Multi-objective?decision?tree,MODT)的MOR方法，MODT是一種能用于多目標(biāo)預(yù)測的決策樹，該方法的樹是一種層次結(jié)構(gòu)的數(shù)據(jù)簇構(gòu)成，頂部節(jié)點(diǎn)包含所有數(shù)據(jù)，自頂向下移動時(shí)，數(shù)據(jù)被遞歸地劃分為更小的數(shù)據(jù)簇，該方法在獲得較好性能的同時(shí)，具有非常快的預(yù)測速度。

發(fā)明內(nèi)容

本發(fā)明解決的技術(shù)問題是：針對星載/機(jī)載遙感影像多目標(biāo)快速預(yù)測建模，本發(fā)明實(shí)現(xiàn)一種快速有效的多輸出回歸，實(shí)現(xiàn)預(yù)測效果與預(yù)測時(shí)間的最佳平衡。通過最遠(yuǎn)距離點(diǎn)法預(yù)先進(jìn)行多段直線擬合，從而確定直線的最佳分段節(jié)點(diǎn)，將自變量劃分成近似滿足線性性質(zhì)的分段，進(jìn)而通過線性回歸方法實(shí)現(xiàn)快速準(zhǔn)確的多輸出回歸。在通用數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，本發(fā)明提出的方法在達(dá)到主流算法性能的同時(shí)，預(yù)測時(shí)間達(dá)到毫秒級。在基于紅外遙感影像的土壤成份數(shù)據(jù)集上，本發(fā)明方法的效果優(yōu)于傳統(tǒng)最優(yōu)的PLS方法。

本發(fā)明的技術(shù)方案是：基于分段線性擬合的遙感影像多目標(biāo)快速預(yù)測建模方法，其特征在于：通過分段線性擬合算法實(shí)現(xiàn)多目標(biāo)回歸，具體包括以下步驟：

步驟一：建立直線擬合模型，采用最遠(yuǎn)距離點(diǎn)劃分的方法實(shí)現(xiàn)分段線性擬合算法，建立直線擬合模型；

步驟二：計(jì)算所有分段節(jié)點(diǎn)序列，遍歷所有輸入變量和輸出變量，得到節(jié)點(diǎn)序列；

步驟三：計(jì)算最小誤差分段節(jié)點(diǎn)序列參數(shù)，計(jì)算每一維輸入變量對應(yīng)輸出變量的最小誤差分段節(jié)點(diǎn)序列；

步驟四：計(jì)算線性模型系數(shù)，并將其存儲為線性模型系數(shù)矩陣；

步驟五：對預(yù)測樣本自變量分段，根據(jù)分段節(jié)點(diǎn)序列將預(yù)測輸入變量轉(zhuǎn)換成分段后的預(yù)測輸入變量；

步驟六：計(jì)算樣本預(yù)測值，通過分段后的預(yù)測輸入變量和線性模型系數(shù)計(jì)算輸入變量的預(yù)測值。

所述步驟一的具體過程為：