hyperion高光谱参数_基于LFDA+GMM的高光谱数据降维和分类

Locality Preserving Dimensionality Reduction and Classification for Hyperspectral Image Analysis

作者: Wei Li, Saurabh Prasad, James E. Fowler, Lori Mann Bruce

主要工作: 传统的高光谱数据降维算法假设数据服从单一分布, 事实上高光谱数据服从的分布比较复杂, 针对这一问题,提出 LFDA+GMM 模型的降维与分类方法.

核心思路: 先对高光谱数据用 LFDA 进行降维, 减小 GMM 评估参数的数量, 保持数据的多模态结构, 然后用 GMM 对降维后的数据进行分类

概念理解:

• LFDA: LDA 和 LPP 的结合

为什么要降维? 降维可以减少 GMM 估计参数. 例如: 如果样本数据是 200 维, 包含10 个高斯分布, 那就有 10* 200* 2 个参数, 后面的 2, 表示每个分布, 每个维度均值和方差各一个参数

• 高斯分布: 通常假设整个数据集服从同一高斯分布, 即: 数据结构可以通过平均值和方差来度量

• 为什么要引入GMM?

高维数据服从的未知分布比较复杂, 可以假设该复杂分布可以通过

个高斯分布的线性组合进行刻画.

• GMM: 高斯混合模型. 假设数据包含 K 个高斯分布, 每个高斯分布对应一个均值和方差, 总共要确定 2K 个参数, 通过EM算法可以进行参数评估.
  个高斯分布分别对应的均值和方差确定之后, 数据结构即可度量.

• 高斯分布个数确定: 在高光谱数据中采用 AIC 评估参数 K 的值

• GMM分类器: 高斯混合模型不但可以用来评估复杂分布参数, 还可以看作一个类似SVM的分类器

在 Mnist 数据集上, 假设整个数据集包含

个 高斯分布的分类结果:

准确率: 0.978700

高光谱 Pavia university 数据集实验结果: 93.782 (

作训练, 剩下做测试)

% compute the probablity