航空遥感高光谱数据的聚类种子点选择和降维

摘要

次胜者受罚的有约束竞争学习(rival penalized controlledcompetitive learning，RPccL)算法已被广泛地用于航空遥感高光谱数据的聚类问题，但是它的性能对初始聚类中心的选择很敏感。对RPccL算法进行了深入的研究并提出了一种优化种子点选择的方法。这种方法的主要思想是选择局部密度最大并且不相邻的数据点作为种子点即初始聚类中心。与传统的随机选取种子点的RPCCL方法相比，用优化种子点进行的RPCCL聚类能更稳定、更有效地收敛。而且，这种方法可以很好地用于赤潮和溢油高光谱数据的处理。另外，由于高光谱数据中有大量的冗余数据，使得聚类的效率非常低，为此我们使用了一种基于敏感维的数据降维方法。实验结果显示了优化种子点选择和敏感维的数据降维方法的显著效果，同时预示了这种改进的RPCCL算法的良好前景。