深度置信网络环境下高光谱数据降维方法仿真

摘要

为解决当前高光谱数据降维方法存在的降维效率低、丢包现象严重等问题,提出基于Manifold的深度置信网络环境下高光谱数据降维方法.根据高光谱数据定义域和值域的归一化,通过超平面最小策略实现高光谱数据去噪问题的转换,即将高光谱数据去噪问题转为能量的最小化问题.获取与能量最小化问题相对应的非线性Euler-Lagrange方程,利用其迭代形式完成对其唯一解的求取.将权重系数引入方程求解中,实现高光谱数据去噪.计算两个高光谱数据样本邻近区域之间的距离,确定各高光谱数据点与其邻近点于一个Manifold线性区域中共存,并得到高维高光谱数据全局结构信息.据此计算数据空间样本权值,利用该权值的平移和旋转以及缩放特性,获得高维高光谱数据降维结果.仿真表明,上述方法运行下平均丢包率约为0.4％,数据降维效率较高.所提方法具有较强的降维性能,相比当前相关方法更具可借鉴性.