[發明專利]基于信息熵稀疏的深度非負矩陣解混方法和存儲介質

在審

• 申請號: 202110914378.2
• 申請日: 2021-08-10
• 公開（公告）號: CN113836483A
• 公開（公告）日: 2021-12-24
• 發明（設計）人: 趙瑋豪;李杏梅
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06F17/16
• 分類號: G06F17/16;G06F17/15
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于信息熵稀疏的深度非負矩陣解混方法，其特征在于，包括：

對端元矩陣和豐度矩陣進行VCA-FCLS初始化，并建立深度NMF解混模型；

將初始化后的所述端元矩陣和初始化后的所述豐度矩陣作為第一目標函數的輸入，并利用所述第一目標函數，基于乘性迭代規則對所述深度NMF解混模型預訓練，所述第一目標函數為：

其中，minf(A,S)表示重構誤差，F為矩陣的2范數，A為光譜特征矩陣，S為豐度矩陣，X為具有B個波段和P個像元的高光譜數據集，S_ij代表第i種地物類型在第j個像元的豐度，i＝1,2,...,M，j＝1,2,...,P；λ是正則化參數；

利用梯度下降法迭代更新預訓練后的所述端元矩陣和所述豐度矩陣；

將更新后的所述端元矩陣和更新后的所述豐度矩陣作為第二目標函數的輸入，并利用所述第二目標函數對預訓練后的所述NMF解混模型迭代微調，所述第二目標函數為：

其中，l表示第l層，L表示最后一層，代表第l層的重構的豐度矩陣，ψ_l-1＝A₁A₂…A_l-1，且對于ψ_l-1，當且僅當l＝1時，代表一個單位矩陣；

再次迭代更新微調后的所述端元矩陣和所述豐度矩陣，并通過數據分析確定所述第二目標函數的最優參數；

根據所述最優參數獲得所述深度NMF解混模型的全局最優解。

2.如權利要求1所述的一種基于信息熵稀疏的深度非負矩陣解混方法，其特征在于，所述深度NMF解混模型的數學表達式為：

X≈A₁A₂…A_L-1A_LS_L。

3.如權利要求1所述的一種基于信息熵稀疏的深度非負矩陣解混方法，其特征在于，所述利用所述第二目標函數對預訓練后的所述NMF解混模型迭代微調還包括：

對所述深度NMF結構的每個中間層結果均進行微調。

4.如權利要求1所述的一種基于信息熵稀疏的深度非負矩陣解混方法，其特征在于，所述基于乘性迭代規則對所述深度NMF解混模型預訓練還包括：

重新定義高光譜數據集為第一表達式：

其中，δ為一常量，為新的高光譜數據集，向量1是一個全為1的行向量；

定義光譜特征矩陣為第二表達式：

為新的光譜特征矩陣。

5.如權利要求1所述的一種基于信息熵稀疏的深度非負矩陣解混方法，其特征在于，所述基于乘性迭代規則對所述深度NMF解混模型預訓練還包括：

基于所述第一目標函數分別對所述光譜特征矩陣和所述豐度矩陣求偏導，并利用梯度下降法對所述光譜特征矩陣和所述豐度矩陣進行迭代，得到所述光譜特征矩陣和所述豐度矩陣的乘性迭代規則。

6.如權利要求1所述的一種基于信息熵稀疏的深度非負矩陣解混方法，其特征在于，所述基于乘性迭代規則對所述深度NMF解混模型預訓練還包括：

基于所述第二目標函數分別對第l層所述光譜特征矩陣和第l層所述豐度矩陣求偏導，利用梯度下降法進行迭代，得到所述深度NMF解混模型微調第l層分解結果的乘性迭代公式。

7.如權利要求1所述的一種基于信息熵稀疏的深度非負矩陣解混方法，其特征在于，所述利用所述第二目標函數對預訓練后的所述NMF解混模型迭代微調還包括：

微調的迭代過程利用整個所述深度NMF解混模型的參數，并且以預訓練得到的所述端元矩陣和所述豐度矩陣每層的結果為迭代的初始值。

8.一種存儲介質，其特征在于，所述存儲介質為計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有如權利要求1-7任一所述的一種基于信息熵稀疏的深度非負矩陣解混方法。