導航:首頁 > 源碼編譯 > ica演算法有時候分離失敗

ica演算法有時候分離失敗

發布時間:2022-08-16 13:51:37

1. 怎麼用ICA分離由經驗模態分解得到的IMF分量,在線等,謝謝!!!

看各個IMF分量的周期啊,頻率啊,均值大小,然後設定一個閥值。通過用EMD做分解預測,做好都是將IMF分量劃分為高頻,低頻以及殘差來做,劃分的依據是看均值是不是顯著大於0 。

2. ICA有哪些應用

ica的應用:
ICA 的主要應用是特徵提取、盲源信號分離]、生理學數據分析]、語音
信號處理、圖像處理及人臉識別等. 在這部分, 我們綜述一下ICA 的主要應用範例.
1在腦磁圖(MEG) 中分離非自然信號
腦磁圖是一種非擴散性的方法. 通過它, 活動或者腦皮層的神經元有很好的時間解析度
和中等的空間解析度. 作為研究和臨床的工具使用M EG 信號時, 研究人員面臨著在有非自
然信號的情況下提取神經元基本特徵的問題. 干擾信號的幅度可能比腦信號的幅度要高, 非
自然信號在形狀上像病態信號. 在文獻[36 ]中, 作者介紹了一種新的方法( ICA ) 來分離腦活
動和非自然信號. 這種方法是基於假設: 腦活動和非自然信號(像眼的運動或眨眼或感測器
失靈) 是解剖學和生理學上的不同過程, 這種不同反映在那些過程產生的磁信號間的統計獨
立性上. 在這之前, 人們用腦電圖(EEG) 信號進行過試驗[ 37 ] , 相關的方法見文獻[43 ].
試驗結果表明, ICA 能很好地從M EG 信號里分離出眼運動及眨眼時的信號, 還能分離
出心臟運動、肌肉運動及其它非自然信號. Fast ICA 演算法是一個很合適的演算法, 因為非自然
信號的去除是一個互動式的方法, 研究者可以很方便地選擇他所想要的獨立成分的數目. 除
了減少非自然信號外, ICA 還能分解激活區[ 38 ] , 使我們直接訪問基本的腦功能成為可能. 這
一點在神經科學的研究領域將很可能起非常重要的作用, 我們也正從事將ICA 運用到fM 2
R I 數據分析這方面的工作.
2在金融數據中找到隱藏的因素
將ICA 用在金融數據中是一個探索性的工作. 在這個應用中存在許多情況(並行的時
間序列) , 例如流通交易率或每日的股票成交量, 這里存在一些基本的因素, ICA 可以揭示一
些仍隱藏著的驅動機制. 在近年來的證券研究中, 人們發現ICA 是對PCA 的一種補充工
具, 它允許數據的基本結構能更輕易地觀察得到. 在文獻[ 44 ]中, 將ICA 用在了不同的問題
上, 屬於同一個銷售鏈的商店的現金流量, 盡量找到對現金流量數據有影響的一些基本因
素. 對獨立成分的假設有可能不現實, 例如假期和年度的變化, 顧客購買力的變化, 政府和經
營策略(像廣告) 等等因素, 通通假設它們之間是相互獨立的. 通過ICA , 利用現金流量時間
序列數據, 能分離出一些基本的影響因素和它們的權重, 並且以此還能對商店進行分組. 對
於試驗和解釋, 詳細情況請參見文獻[44 ].
3自然圖像中減少雜訊
第三個例子是為自然圖像找到ICA 過濾器. 它是基於ICA 分解, 從被高斯噪音污染的
自然圖像中去掉雜訊. 文獻[45 ]採用了一些數字的自然圖像, 向量x 代表了圖像窗口的像素
(灰度) 值. 注意, 相對前面的兩個應用, 這次考慮的不是多值的時間序列或圖像隨時間而改
變, 相反元素x 已經由圖像窗口的位置固定不變了. 采樣窗口采樣的是隨機位置, 窗口的
22D 結構在這里並不重要, 一行一行的掃描整幅圖像使其變成像素值的向量. 實驗結果發
現, 沒有經過邊界的模糊及銳化操作, 窗口的大部分雜訊被去掉了, 詳細的情況參見文獻
當前去雜訊方式有許多, 例如先作DFT 變換, 然後在作低通濾波, 最後作IDFT 恢復圖像, 這種方式不是很有效. 較好的方法是近年來發展起來的小波收縮方法(它用到了小
波變換) 和中值濾波. 但這些對圖像統計量來說並沒有很好的優越性. 近年來又發展了一
種統計原理的方法, 叫稀疏代碼收縮法 , 該方法與獨立成分分析法非常接近.
4人臉識別
人臉識別從20 世紀70 年代開始一直是一個很活躍而且很重要的研究領域, 當時比較
常用的方法是主成分分析(PCA ) 和本徵臉. 後來,Bart let t 和Sejnow sk i 提議用ICA 來表示
人臉.
將ICA 運用到人臉識別, 隨機變數為訓練的圖像. x i表示一個人臉的圖像. 用m 個隨機
變數來構造一個訓練圖像集{x1, x2, ⋯, xm }, 這些隨機變數被假設為n 個未知獨立成分s1,
⋯, sn的線性組合. 採用前面所講過的矩陣的記法: X = (x1, x2, ⋯, xm ) T , S = (s1, s2, ⋯, sn ) T ,
則有X = A S. 從這個表達式可看出, 每個圖像x i由s1, s2, ⋯, sn與ai1, ⋯, ain的線性組合來表
示. 因此, 混合矩陣A 也稱特徵矩陣, 可看作是所有訓練圖像的特徵. 與PCA 相比, ICA 有
如下幾個優點: 1) ICA 是從訓練信號里去高階統計量的相關性, 而PCA 則只對二階統計
量去相關性; 2) ICA 基向量比PCA 基向量在空間上更局部化, 而局部特徵對人臉表示很
重要; 3) 實踐證明, ICA 基向量識別精度比PCA 要高. 為此, ICA 可以作為模式識別分類
的一個預處理步驟.
5圖像分離
我們曾用Fast ICA 演算法將三幅混合圖像進行了成功的分離. 模擬結果表明, 原圖像與
分離出來的圖像十分相似, 而且每次迭代的次數不超過15 次, 計算量非常小. 下一步, 我們
的的工作是對快速定點演算法進行改進, 爭取在節省內存方面取得一定的成效.
6語音信號處理
ICA 最經典的應用是「雞尾酒會「問題. 在n 個麥克風記錄的n 個聲音源中, 通常僅僅希
望得到其中感興趣的一個聲音源, 而把其他的聲音源視為雜訊. 如果僅一個麥克風, 我們可
以用普通的去雜訊方法來去雜訊, 例如, 線性濾波, 小波或稀疏碼收縮方法. 當然, 這種去噪
聲的方法不是很令人滿意. 我們能利用多個麥克風來收集更多的數據, 以便更有效的去噪
聲. 因為在現場麥克風的位置是任意的, 而且混合過程也未知, 為此必須實行盲估計. 採用的
方法就是, 盲源信號分離中的一種, 即ICA 方法.
7遠程通信
最後, 提一下另外一個很有潛力的應用——遠程通信. 實時通信的應用例子是, 在CD2
MA 移動通迅[ 48 ]里, 從有其他用戶干擾的信號里分離用戶自己的聲音. 這個問題從某種意
義上說, 在CDMA 數據模型中預先給出了一些優先信息. 但是需估計的參數數目很大, 因此
選定某種合適的信號分離方法, 它考慮了這種優先信息, 從而產生了比傳統估計方法更優越
的性能.

3. 混合像元分解

為了實現在無先驗信息情況下的高光譜數據的端元提取,研究過程中提出了基於高光譜數據高階統計量的改進獨立成分分析(Independent Component Analysis,ICA)端元提取方法和基於擴展形態學與OSP的自動端元提取演算法。

在端元提取的基礎上,提出了基於信息散度的光譜混合分析方法,與基於混合調制匹配濾波的豐度估計方法相比,能夠實現礦物組分的更精確估計。

6.3.1 改進ICA 模型端元提取

對於光譜解混問題,若端元光譜已知,則問題變得十分簡單,可以通過極大似然、光譜信號/特徵匹配、SAM、子空間投影等方法求解;但是在大多數情況下,物質的數據和它們的反射率是非已知的,光譜解混問題就轉換成了盲源信號處理問題。因此,若不考慮雜訊影響,ICA模型能夠較好地實現。

(1)改進ICA演算法的實現

ICA用於高光譜數據端元提取時的兩個前提假設是:各種端元線性混合成觀測到的信號及源信號(豐度)統計上獨立。對於第一個假設,是比較容易滿足的,因為目前線性混合模型就是在這個前提假設下建立的,並且通過前面的線性混合模型的物理機理分析也容易看出,實際問題中大多數情況下是滿足的。但是對於第二個假設是很難滿足的。因為從混合的物理意義上講,每一種地物的豐度都應當大於0並且一個像元內各端元豐度之和等於1。

因此,如何將標准ICA模型改進,使其適合於高光譜數據混合像元分解是目前該領域的熱點與難點。

首先分析了應用於混合像元分解的ICA模型與標准ICA模型的不同:標准ICA模型中的分離矩陣不必要是滿秩且正交的。為了實現改進ICA的自動端元提取演算法,在設計模型估計的學習演算法時基於豐度的獨立性考慮而不是針對分離矩陣考慮。在考慮豐度非負性且總和為1的約束的同時,採用擴展的信息最大化學習方法進行獨立成分和混合矩陣的估計。

在非高斯性度量中,採用峰度的絕對值作為非高斯性的度量指標,即

高光譜遙感技術原理及礦產與能源勘查應用

為了極大化峰度的絕對值,可以從某個向量w開始,依據可觀測的信號x1 ,x2 ,…,xm(假設數據已經中心化和白化),計算出使y=bTx峰度絕對值增大最快的方向,然後將向量b更新,轉到該方向上,並標准化w,使‖b‖2 =1。該操作可以利用梯度法及其擴展操作來實現,則有

高光譜遙感技術原理及礦產與能源勘查應用

則得到下面的梯度演算法:

Δb∝E{x(bTx)3}-3b (6.26)

令式中峰度的梯度與b相等,則有

b∝E{x(bTx)3}-3b (6.27)

寫成矩陣形式為

B←E{X(BTX)3}-3B (6.28)

為了滿足矩陣B中每一個分量‖b‖2 =1,則需要對矩陣B進行去相關和標准化,實現方法如下:

B←(BBT-1/2B (6.29)

因此,分離矩陣W=B′× whitening_matrix可以計算得到,其中whitening_matrix是可觀測信號X的白化矩陣,從而得到各個獨立成分。

(2)演算法應用與實驗分析

利用本方法對圖6.20所示的東天山局部區域反射率數據(基於改進輻射傳輸模型的大氣校正方法獲得)進行端元提取,提取結果如圖6.21所示。通過分析該地區地質條件、主要礦物等,可以看出,本方法提取得到了該地區主要的礦物,包括:綠泥石、綠簾石、白雲母、蛇紋石、方解石等九種蝕變礦物,並且本方法提取的是圖像中存在的礦物光譜,端元光譜正確率較高。

圖6.20 東天山局部區域反射率數據

圖6.21 基於ICA方法的端元提取結果

利用混合比例20%~100% 混合礦物的解混結果(豐度估計結果)進行端元提取正確性的驗證,如表6.21所示,表明豐度估計的均方根誤差為0.019。

表6.21 目標豐度估計結果 單位:%

6.3.2 基於擴展形態學與OPS 的自動端元提取

光譜和空間信息同時利用進行高光譜數據建模能夠提供高光譜數據處理的精度、可靠性和穩定性。因此,利用數學形態學理論將腐蝕和膨脹操作擴展到高光譜數據端元提取處理技術中,目前利用數學形態學理論進行端元提取的方法主要是Chang研究小組A.Plaza提出的自動數學形態學端元提取演算法AMEE,該演算法能夠較好地得到圖像中的端元,但是不同端元很難區分。因此,該部分主要針對這一問題引入了正交子空間的概念,對演算法進行了改進。

6.3.2.1 演算法原理

(1)正交子空間投影

正交子空間投影(Orthogonal Subspace Projection,OSP)主要是針對混合像元分解問題提出來的。在利用線性解混合模型進行混合像元分解時,假設像元向量r的光譜特徵是m1 ,m2 ,…,mp 的線性混合,則

r = Mα + n (6.30)

式中:端元光譜信號M =[m1,m2,…,mp];豐度矩陣α=[α1,α2,…,αp];雜訊或模型誤差為n。

可以將上式繼續分解為

r = dαp + Uγ + n (6.31)

式中:d=mp是感興趣端元的光譜信號;U=[ m1 ,m2 ,…,mp-1 ]是非感興趣端元的光譜信號。豐度矩陣則相應的分解,上式為OSP的基礎。

通過設計正交子空間投影運算元

實現非感興趣端元或者干擾影響的抑制,由最小二乘估計得到投影運算元

-UU,其中,U=(UTU)-1UT

應用到上式,則得到OSP模型:

高光譜遙感技術原理及礦產與能源勘查應用

這里非感興趣端元U已經被抑制,並且原來的雜訊n也被壓縮

然後引入一個濾波運算元wT,為l × L向量,通過將輸出信號信噪比最大化實現端元的提取。將wT應用於OSP模型得到

高光譜遙感技術原理及礦產與能源勘查應用

由上式信噪比SNR可以得到

高光譜遙感技術原理及礦產與能源勘查應用

式中:σn是雜訊的標准差;

是上式得一個最優解,則λmax必是w*其中之一。通過構造匹

配濾波運算元得到OSP檢測運算元:

高光譜遙感技術原理及礦產與能源勘查應用

(2)擴展數學形態學操作

高光譜圖像處理中,為了確定根據目標與背景差異的多維向量的排序關系,引入一個多維向量的度量運算元,該度量運算元由結構元素內各個像素累加距離計算得到,定義如下:

高光譜遙感技術原理及礦產與能源勘查應用

式中:dist是測量N維向量的逐點線性距離。為了有效地利用多/高光譜數據提供的光譜和空間信息,OPD方法源於正交子空間投影的概念和原理,計算得到的是正交投影後的殘余。考慮到SAM只是從光譜波形形狀出發,並且對雜訊敏感,研究可採用OPD計算該距離,考慮兩個N維光譜信號s i =[si1,si2,…,siNT,sj=[sj1,sj2,…,sjNT,則N維光譜信號si 和sj之間的OPD表示為

高光譜遙感技術原理及礦產與能源勘查應用

其中,

=IN×N-sk

,k=i,j,並且IN×N是N×N維的單位矩陣。

因此,累加距離D能夠根據像元純度的差異大小排序結構元素中的向量。根據以上定義和敘述,多/高光譜數據中腐蝕和膨脹操作分別定義如下:

高光譜遙感技術原理及礦產與能源勘查應用

式中arg_Max,arg_Min分別表示使得累加距離D達到最大和最小的像素向量。通過以上的分析表明,擴展到多/高光譜圖像的膨脹結果得到的是在結構元素內純度最大的像元,腐蝕結果得到的是在結構元素內混合度最大的像元。

(3)改進的端元自動提取模型

通過從原理上分析,AMEE方法能夠提取得到純端元,利用Ostu自動閾值分割方法很難區分不同類型的端元,尤其是光譜特徵相似的端元,存在著較大的分離誤差。因此,針對這一問題,在分析正交子空間投影OSP原理的基礎上,引入向端元子空間投影的概念和理論,實現光譜和空間信息的端元提取。基於光譜和空間信息的端元提取改進模型實現的過程如圖6.22所示。

基於線性混合模型,利用OSP概念進行混合像元分解時,仍可以繼續將端元矩陣分解,則混合模型可以表示為

r = dαd + UαU + n (6.40)

式中:d為第一個端元光譜信號,通過MEI圖像中提取的端元數據,利用SAM方法得到其中一個端元光譜信號d=e1,然後利用向其正交子空間投影得到

來消除端元數據中的信號d=e1,其中

=I-d(dTd)-1dT。將

代入基於OSP的混合模型中得到

,可以看出,不僅消除了d=e1的影響而且有效地壓制了雜訊

。然後把

視為新的端元數據集,繼續提取端元,經過m-1次投影之後得到d= {e1 ,e2 ,…,em},投影循環結束的條件為得到指定個數的端元或是由分解誤差RMSE決定,從而得到了m個端元。

圖6.22 光譜與空間信息結合的自動端元提取方法

該方法有效地克服了AMEE演算法從數學機理上無法將端元區分的問題,提高了端元提取精度,實現了自動的端元提取。

6.3.2.2 應用實驗與結果分析

應用美國內華達州Cuprite礦區的AVIRIS高光譜數據進行基於擴展數學形態學和正交子空間投影方法的自動端元提取研究。提取的四種主要蝕變礦物端元光譜如圖6.23所示。

可以看出,圖6.23得到了該礦區內四種典型的礦物端元光譜,通過與USGS光譜庫數據比較,圖6.23給出的提取的礦物光譜與參考光譜比較一致,說明了該方法的有效性和正確性。

該方法充分利用了高光譜數據提供的空間和光譜信息,並通過擴展數學形態學的理論將二者有效的結合,並綜合利用,同時利用OSP的原理有效的區分不同類型的端元光譜,試驗證明得到了較好的結果。

圖6.23 基於擴展數學形態學和正交子空間投影方法得到的端元光譜

6.3.3 基於信息散度的光譜混合分析

該方法從總的端元組出發,每進行一次迭代循環,計算一個均方根誤差,並去掉豐度最小的那個端元,進入到下一個循環,直到端元組中只剩下一個端元,停止循環;然後根據得到的均方根誤差曲線,根據rms變化率准則來判定最優的端元子集。並且在實現過程中演算法加入了端元的初選和二次選擇,利用光譜信息散度(SID)作為最優端元組判定的准則,能夠達到很好的端元選擇效果和豐度估計精度。實現流程圖如圖6.24所示。

SID-SMA主要由三部分組成:端元的初選、端元的二次選擇和最終的豐度估計。端元的初選是利用某些規則先去掉一些端元,然後進入迭代循環,再去掉一些端元,最後留下的那些端元我們就認為是某個像元真實存在的物質,最後利用這些端元對該像元進行豐度估計,實現光譜解混。

端元的初選有兩種規則,根據數據信噪比的不同而不同。當數據的信噪比較高時,採用線性逆卷積的規則,也就是對原始的端元進行最小二乘估計,去掉豐度小於0的端元,再利用剩下的端元重新進行最小二乘估計,這樣反復循環,直到最後最小二乘估計的豐度值沒有負數為止。這種規則能夠在較少的循環內去掉較多的無用端元,並且在信噪比較高時,端元選擇的精度較高,這樣既能提高演算法的速度,又能取得好的精度。但當信噪比較低時,利用線性逆卷積的規則容易造成正確端元的遺漏,所以當信噪比降低到一定的值時,我們採用全限制最小二乘法來進行端元的初選。全限制最小二乘法首先計算初始端元的最小二乘估計

,然後計算端元的全限制最小二乘估計

-λs,其中λ=

(1Ts),s=(MTM)-11,M是端元組矩陣,1為單位列向量。觀察αFCLS是否含有負值,如果有負值,則計算|αFCLS,j/sj|,去掉絕對值最大的對應的端元,然後循環,直到

的元素都大於0為止。利用全限制最小二乘法進行端元初選每次循環只能去掉一個端元,效率比線性逆卷積要低,但是它在數據信噪比比較低時選擇端元的正確率較高,遺漏的端元較少,因此,我們在信噪比低時使用它作為端元的初選。

初選之後,進入二次選擇過程。二次選擇時先利用剩下的端元組對混合光譜進行最小二乘估計, 利用估計的豐度值及相應的端元重新建模得到建模光譜,計算建模光譜與原光譜的信息散度(SID),然後去掉豐度最小的那個端元,得到較小的端元組,進入下一個循環,這樣,直到端元組里只剩下一個端元為止,停止循環。到循環結束時會得到一條SID曲線,根據這條曲線能夠判定演算法進行到第幾個循環後留下的是正確的端元。最後利用這些正確的端元對混合光譜進行最小二乘估計,得到最終的光譜解混結果。

圖6.24 SID-SMA流程圖

這里的光譜信息散度衡量的是兩條光譜之間的信息差異。假設兩條光譜分別是x=(x1,x2,…,xlT和y=(y1,y2,…ylT,可以得到兩條光譜的概率向量分別是p=(p1,p2,…,plT 和q=(q1, q2,…,q1T,其中pi=xi/

,qi=yi/

。根據信息理論,我們可以得到x和y的自信息為

Ii(x)=-logpi和Ii(y)=-logqi

通過上式,可以得到y關於x的相對熵:

高光譜遙感技術原理及礦產與能源勘查應用

同理可得x關於y的相對熵:

高光譜遙感技術原理及礦產與能源勘查應用

而x和y的光譜信息差異為

SID(x,y)= D(x‖y)+ D(y‖x) (6.43)

SID是利用光譜信息造成的相對熵對兩條光譜進行相似度測評的度量,它的效果要好於光譜角度調制(SAM)。另外在二次選擇的時候,我們使用的SID判定準則是兩個循環SID的變換量:

ΔSID = SIDit-SIDit-1 (6.44)

當變化量大於某個閾值時,我們認為已經有正確的端元被排除出端元組,而這個循環之後剩下的端元都是正確的端元。在實際應用時,由於正確的端元個數相對整個端元組總是比較少的,所以我們判定最佳端元組時,往往從最後一個循環往前推,當SID的變化量小於某個閾值時,則認為在這個循環以後正確端元開始被排除出端元組。

為了驗證SID-SMA方法的性能,利用USGS光譜庫數據進行不同信噪比、不同端元數對演算法性能的影響,豐度估計的誤差由式(6.45)給出:

高光譜遙感技術原理及礦產與能源勘查應用

式中:n為端元組中端元的個數,試驗中選取了USGS中的29條光譜,故設為29;m為混合光譜的條數;aij為預先設定的第i條混合光譜第j個端元的豐度值;eij為計算得到的第i條混合光譜第j個端元的豐度值。

在進行演算法驗證時,針對混合光譜由3~10個端元合成時的情況,每種情況都有1000條混合光譜,每次試驗時從29個端元中隨機選取。並且利用全限制最小二乘(FCLS)、線性卷積(LD)、迭代光譜混合分析(ISMA)及SID-SMA方法進行性能分析與驗證。

表6.22是四種演算法端元選擇精度的比較,其中三個比較參數分別是用於最終解混選擇的端元個數(實際的個數為6個)、端元選擇的正確率、正確端元遺漏的個數。從中可以看出,當雜訊比較小的時候,LD演算法的端元選擇性能比較好,正確端元遺漏比較少,而且端元選擇的正確率比FCLS要高,但是當信噪比下降到25和12時,LD遺漏的端元就要比FCLS要多了,這也會影響到LD豐度估計的精度。而SID-SMA與ISMA相比,雖然在端元選擇的正確率上比不上ISMA,但是SID-SMA遺漏的端元要比ISMA少得多,特別是信噪比為12 的時候,ISMA遺漏的端元達到了3.43 個,也就是說已經漏掉了實際端元的一半多,而它的較高的端元選擇正確率也是建立在此之上,這大大影響了ISMA在低信噪比時豐度估計性能。

表6.22 四種演算法的精度比較

圖6.25是四種演算法的豐度估計誤差隨信噪比變化而變化的情況。從中可以看出,無論信噪比為多少,豐度估計誤差最小的都是SID-SMA,當信噪比為100時,SID-SMA的誤差小於0.1。而LD演算法在雜訊比較小的時候性能比較好,但當信噪比下降到25時,豐度估計誤差已經大於FCLS,說明LD比較適合在高信噪比的情況下使用。而ISMA正如我們上面所說的那樣,當信噪比下降時,它由於遺漏太多的正確端元,從而導致估計的誤差急劇增大,到信噪比下降到12時,估計誤差已經達到0.9,明顯高於其他三種演算法。FCLS則在信噪比比較低的時候性能稍微差,但是它的抗噪性能比較強。

圖6.26給出了SNR為100∶1情況時LD,FCLS,ISMA和SID-SMA的估計誤差隨參加混合端元數的變化而變化的情況。當參加混合的端元數增加時,演算法的整體精度下降。而ISMA 的精度下降的最快。當實際端元數量2~4 個時,ISMA 的誤差較小,基本與 SID-SMA 相仿,並且要明顯小於FCLS,但是當端元數增加到10個時,ISMA的誤差已經超過其他兩種演算法很多。而SID-SMA演算法在端元數2~10個時,整體精度都很高,不過當實際端元數達到9~10個時,誤差有加速增大的趨勢。但是,從整體上來講,SID-SMA的表現是最好的。

圖6.25 四種演算法的不同SNR情況下豐度估計整體誤差

圖6.26 四種演算法的豐度估計誤差隨實際端元個數變化情況(SNR100∶1)

利用SID-SMA方法進行Cuprite礦區主要蝕變礦物明礬石、高嶺石、熱液硅石及布丁石的豐度估計結果與迭代SMA的結果進行比較如圖6.27所示。從圖6.27分析可知,ISMA得到的礦物豐度圖中有大量的點的豐度小於0 ,四種礦物豐度小於0 的點的比例分別是1.55%,1.48%,4.86% 和5.68%,而SID-SMA得到的豐度值沒有負數值。此外,雖然對於明礬石與高嶺石礦物的豐度結果相似,但是對於布丁石、熱液硅石等吸收特徵較寬且不明顯的礦物豐度估計結果SID-SMA方法明顯優於ISMA方法。

利用圖6.20所示的東天山局部區域反射率數據進行基於SID-SMA方法的礦物組分含量估計,結果如彩圖6.1所示。

圖6.27 由SID-SMA(每組左側)和ISMA(每組右側)得到的礦物豐度圖

(a)高嶺石;(b)明礬石;(c)布丁石;(d)熱液硅石

6.3.4 基於混合調制匹配濾波的豐度估計

由於在自然環境中,線性混合模型將受到兩個約束條件的限制,這兩個約束條件制約著混合系數(即端元豐度)的大小,分別為非負性約束和歸一化約束。它們的物理意義非常明顯:光譜是能量的表現,不可能存在負值;混合能量的大小是存在限定的,不可能無限的大,從線性混合模型物理機理分析可以看出,混合能量滿足歸一化約束。為此,在端元提取後的豐度估計中,考慮在上述約束條件下進行端元的豐度估計。

匹配濾波通過最大化已知端元波譜信號,壓制未知復合背景的響應信號實現端元波譜匹配,該方法能生成類似於波譜分離的影像,但由於不需要已知所有的端元光譜而使計算量顯著降低。

混合調制匹配濾波技術是匹配濾波技術和線性混合分解理論的復合方法。該方法將上述描述的匹配濾波不需要已知其他背景端元波譜的優點與線性混合分解理論中的物理條件限制(給定像元的信號是包含在該像元中的單一物質成分的線性組合,同時各個組分的含量為正且和為1)結合起來,因而提高了礦物的檢出限,能探測出其他方法不能檢測出的岩石中微量的礦物成分。混合調制匹配濾波的結果為灰度在0~1.0之間的匹配濾波圖像,反映了參考波譜的相對匹配程度,即相對豐度圖像。其中,1.0代表完全匹配,即相對參考波譜豐度為1。

利用該方法進行混合比例40%~100% 混合礦物的豐度估計誤差分析,得到結果如表6.23所示,得到豐度估計的均方根誤差為0.12。

表6.23 豐度估計結果比較 單位:%

4. 用ica實現盲源分離的python程序嗎

經常有人在群里問,運維人員需不需要學開發?需不需要學 PYTHON ? PYTHON 和 SHELL 有什麼區別?天天問這種好水的問題,我實在受不了,決定幫大家掃掃盲,求求新手們,以後別他媽瞎問了。

現階段,掌握一門開發語言已經成為高級運維工程師的必備計能,不會開發,你就不能充分理解你們系統的業務流程,你就不能幫助調試、優化開發人開發的程序, 開發人員有的時候很少關注性能的問題,這些問題就得運維人員來做,一個業務上線了,導致 CPU 使用過高,內存佔用過大,如果你不會開發,你可能只能查到進程級別,也就是哪個進程佔用這么多,然後呢?然後就交給開發人員處理了,這樣咋體現你的價值?

另外,大一點的公司,伺服器都上幾百,上千,甚至數萬台,這種情況下怎樣做自動化運維?用 SHELL 寫腳本 FOR 循環?呵呵,歇了吧, SHELL 也就適合簡單的系統管理工作。到復雜的自動化任務還得要用專門的開發語言。你可能說了,自動化管理有專門的開源軟體\監控也有,直接拿來用下就好了,但是現有的開源軟體如 puppet\saltstack\zabbix\nagio 多為通用的軟體,不可能完全適用你公司的所有需求,當你需要做定製、做二次開發的時候,你咋辦?找開發部門?開發部門不懂運維的實際業務邏輯,寫出來的東西爛爛不能用,這活最後還得交給運維開發人員來做。

其次,不會運維開發,你就不能自己寫運維平台\復雜的運維工具,一切要藉助於找一些開源軟體拼拼湊湊,如果是這樣,那就請不要抱怨你的工資低,你的工作不受重視了。

為什麼要學 PYTHON ?

PYTHON 第一是個非常牛 B 的腳本語言, 能滿足絕大部分自動化運維的需求,又能做後端 C/S 架構,又能用 WEB 框架快速開發出高大上的 WEB 界面,只有當你自已有能力做出一套運維自動化系統的時候,你的價值才體現出來,你才有資格跟老闆談重視, 否則,還是老老實實回去裝機器吧。

運維開發為什麼要用 PYTHON ?

Good question, 為什麼不用 PHP , JAVA , C++ , RUBY ,這里我只能說,見人見智, 如果你碰巧已經掌握了除 PYTHON 之外的其它語言,那你愛用啥用啥,如果你是一個連 SHELL 都還沒寫明白的新手,想學個語言的話,請用 PYTHON , 為什麼呢?首先, PHP 是跟 PYTHON 比的最多的,其實他倆根本就不用比,為什麼呢?兩個語言適用性不同, PHP 主要適用於 WEB 開發,可以迅速的做出中小型,輕量級的 WEB 網站,但後端嘛,基本還是要藉助其它語言, 藉助什麼語言呢? SHELL ? PYTHON ?呵呵。 而 PYTHON 呢, 是個綜合語言, 前後端都可以,單拿出來比 WEB ,也一點不比 PHP 差,但為什麼WEB方向上 PHP 比 PYTHON 要火? 先入為主嘛, PHP 90 年代誕生就是做 WEB 的, PYTHON2000 年後才出現 WEB 框架,但論優秀程度上, PYTHON 的 WEB 框架基本上出其無左,至少是跟 PHP 比。

5. 盲源分離中關於fastica演算法的matlab編程問題

你問的問題好多啊。。。調制信號與多路雜訊通過一個混合矩陣得到混合信號,演算法處理這個混合信號,得到恢復信號,然後恢復信號與混合信號進行比較。

6. 關於人臉識別的ICA演算法------- 請問高手,混合矩陣A和解混矩陣W是怎麼得到的

function W=rand_orth(n,m);
% RAND_ORTH - random matrix with orthogonal columns

% Copyright (c) Francis R. Bach, 2002.

if (nargin<2)
m=n;
end
W=rand(m);
W=rand(m)-.5;
[W,cococococo]=qr(W);
W=W(1:m,1:n);

7. ICA(獨立成分分析)各個變數的關系

振幅和方向不同是ICA的固有弊端。W與A應該互逆,但是演算法存在許多近似,你想如果都互逆了,振幅和方向不就相同了嗎

閱讀全文

與ica演算法有時候分離失敗相關的資料

熱點內容
安卓系統怎麼給系統瘦身 瀏覽:916
權力政治pdf 瀏覽:847
gog離線包解壓不了 瀏覽:677
命令流軟體 瀏覽:246
壓迫感的照片是什麼app 瀏覽:249
今日股價突破三年新高源碼 瀏覽:840
蘋果x為什麼按著app屏抖 瀏覽:737
java反射創建實例 瀏覽:739
e筋翻樣需要加密狗嗎 瀏覽:606
多火文件夾怎麼刪 瀏覽:932
對m1卡進行加密 瀏覽:767
基岩版伺服器如何加模組 瀏覽:133
3dmax移除命令 瀏覽:553
w7自動關機命令無效 瀏覽:677
潛水泵3kw線圈能加密嗎 瀏覽:470
解壓要帶什麼去車管所 瀏覽:54
寶馬live導航數據無法解壓 瀏覽:785
檢測目標單片機需要多久 瀏覽:602
5日均線上穿25日均線源碼 瀏覽:294
手機系統無命令 瀏覽:999