奥姆普拉卡什Tembhurne;迪普蒂·施里曼卡 FC-TLBO：使用线性混合模型进行丰度估计的全约束元神经算法。 （英语） Zbl 1380.90293号 萨达纳 42，第7期，1123-1133（2017）。 摘要：丰度估计研究在高光谱图像光谱解混中具有重要意义。最近，人们提出了各种方法来进行光谱分解，以使用进化方法获得更高的性能。然而，这些方法基于无约束优化问题。它们的性能也是基于适当的调整参数。我们提出了一种新的非参数算法，该算法使用基于教学学习的优化技术，并使用线性混合模型内置约束维护机制。在该方法中，通过将丰度和引入一个约束和丰度非负约束，将分解问题转化为组合优化问题。对所提出的算法与其他两种最先进的算法进行了比较分析。在已知和未知环境下，利用模拟和真实高光谱数据进行不同信噪比的实验结果表明，该方法优于其他方法。 MSC公司： 90 C59 数学规划中的近似方法和启发式 关键词：丰度非负约束;丰度和为一个约束（ASC）;高光谱分解;元神经方法;基于教学的优化（TLBO） 软件：美国地质勘探局光谱库;FC-TLBO公司 PDF格式BibTeX公司 XML格式引用 \textit｛O.Tembhurne｝和\textit｛D.Shrimankar｝，Sādhanā42，编号7，1123-1133（2017；兹布尔1380.90293） 全文： 内政部 链接 参考文献： [1] Goetz A、Vane G、Solomon J和Rock B 1985地球遥感成像光谱法。科学228:1147-1153·doi:10.1126/science.228.4704.1147 [2] Green R O等人1998年成像光谱学和机载可见/红外成像光谱仪（AVIRIS）。遥感环境。65(3): 227-248 ·doi:10.1016/S0034-4257（98）00064-9 [3] 哈普克BW 1981双向反射光谱：1。理论。《地球物理学杂志》。决议86（B4）：3039·doi:10.1029/JB086iB04p03039 [4] Heylen R、Parente M和Gader P 2014非线性高光谱分解方法综述。IEEE J.选择。主题应用。地球观测站。遥感器7（6）：1844-1865 [5] Dobigeon N等人2013年高光谱图像的非线性分解。IEEE信号处理。杂志31（1）：82-94。doi:10.1109/MSP.2013.2279274·doi:10.1109/MSP.2013.2279274 [6] Bing Zhang等人2014 PSO-EM：基于正常成分模型的高光谱分解算法。IEEE传输。地质科学。遥感器52（12）：7782-7792·doi:10.1109/TGRS.2014.2319337 [7] Heinz D C等人，2001，用于高光谱图像中材料量化的完全约束最小二乘线性光谱混合分析方法。IEEE传输。地质科学。远程传感器39（3）：529-545·doi:10.1109/36.911111 [8] 袁敏、傅敏和陆小强，2015，物质依赖性约束稀疏NMF用于高光谱分解。IEEE传输。地质科学。遥感器53（6）：2975-2986·doi:10.1109/TGRS.2014.2365953 [9] Dobigeon N等人2013年用于监督和非监督高光谱图像线性分解的MCMC算法。EAS出版物。序列号。59(2013): 381-401. doi:10.1051/eas/1359017·doi:10.1051/eas/1359017 [10] Ghamisi P和Benediktsson J A 2013基于遗传算法和粒子群优化混合的特征选择。IEEE传输。地质科学。遥感器12（2）：309-313·doi:10.1109/LGRS.2014.2337320 [11] Zhong Y，Zhao L和Zhang L 2014高光谱遥感图像的自适应差分进化端元提取算法。IEEE地质科学。远程传感器通讯。11(6): 1061-1065 ·doi:10.1109/LGRS.2013.285476 [12] Zhang B，Gao J，Gao L和Sun X 2013从高光谱图像中提取端元的蚁群优化算法改进。IEEE J.选择。主题应用。地球观测站。遥感器6（2）：522-530 [13] Pedergnana M等人基于遗传算法的属性最优特征选择新技术。IEEE传输。地质科学。遥感器51（6）：3514-3526 [14] Liu J和Zhang J 2014通过压缩传感进行光谱解混。IEEE传输。地质科学。遥感器52（11）：099-7110 [15] Wang N，Du B，Zhang L和Zhang L.2015基于丰度特征的高光谱分解独立分析。IEEE传输。地质科学。遥感器53（1）：416-428·doi:10.1109/TGRS.2014.2322862 [16] Broasdwater J和Banerjee，2010年，未知环境下高光谱图像的非线性光谱混合分析。IEEE地质科学。遥感快报。l7（4）：836-840 [17] Pu H，Chen Z，Wang B和Xia W 2015高光谱图像非线性分解的约束最小二乘算法。IEEE传输。地质科学。遥感器53（3）：1287-1302·doi:10.1109/TGRS.2014.2336858 [18] Rao R V和Pate V 2012用于解决复杂约束优化问题的基于精英教学学习的优化算法。国际期刊工业工程计算。3(4): 535-560 [19] 网址：http://www.lx.it.pt/bioucas/code.htm访问日期：2016年5月10日 [20] http://specla.cr.usgs.gov/spectral-lib.html参观日期：2016年5月12日 [21] http://aviris.jpl.nasa.gov/data/free_data.html参观日期：2016年6月1日 [22] http://www.ehu.eus/ccwintco/index.php？title=Hyperspectral_Remote参观日期：2016年6月1日 [23] Bakos K、Marpu P R和Gamba P 2011用于高光谱数据分类的多分类器决策融合。光学遥感：信号处理和开发技术的进展。收录：Prasad S、Bruce L M和Chanussot J（编辑），第1版。纽约：斯普林格·弗拉格爵士。增强视觉与现实系列 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。