文献

J-GLOBAL ID：201702226121264978   整理番号：17A0314416

制約付き非負行列因数分解法に基づくハイパースペクトル信号非混合【Powered by NICT】

Hyperspectral signal unmixing based on constrained non-negative matrix factorization approach

著者 (6件)： Du Bo (Computer School, Wuhan University, China) ,  Wang Shaodong (Computer School, Wuhan University, China) ,  Wang Nan (Institute of remote sensing and digital earth, China academy of sciences, China) ,  Zhang Lefei (Computer School, Wuhan University, China) ,  Tao Dacheng (Centre for Quantum Computation and Intelligent Systems, University of Technology, Sydney) ,  Zhang Lifu (Institute of remote sensing and digital earth, China academy of sciences, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 204  ページ： 153-161  発行年： 2016年09月05日 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： ハイパースペクトル非混合は信号および画像処理における最新の話題である。一連の高次元データマトリックスの非負行列因数分解(NMF)による二組の非負低次元行列に分解することができた。しかし,アルゴリズムは目的関数の非凸性のために多くの局所解を持っている。いくつかのアルゴリズムは補助的な制約を加えることによってこの問題を解決し,スパースである。スパースNMFは良好な性能を持っていたが結果は不安定であり,雑音に敏感である。非混合アプローチのための構造情報を用いた分解が安定化される。誰かがEuclid距離に基づくクラスタリングを用いた分解を誘導し,良好な性能を得た。Euclid距離は二点の直線距離を測定した。しかし,地上物体は通常ある統計的分布に従った。Euclid距離による統計的分布の間の差を測定包括的にすることは出来なかった。Kullback-Leiblerダイバージェンス(KLダイバージェンス)は良好な計量である。本論文では,Euclid距離の代わりにKLダイバージェンスを用いた統計的分布差を測定するNMFを拘束されたKLダイバージェンスと呼ばれる新しいアプローチを提案した。アルゴリズムにおけるKLダイバージェンスを用いて構造化された情報の精度を向上させることができる。合成と実ハイパースペクトルデータに基づく実験結果は,他の最新のアルゴリズムに関して,提案したアルゴリズムの優位性を示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 凸形 ,  アルゴリズム ,  *透視図法 ,  ダイバージェンス ,  目的関数 ,  *制約条件 ,  構造形成
準シソーラス用語： ハイパースペクトルデータ ,  統計分布 ,  Euclid距離 ,  局所解 ,  低次元 ,  高次元データ ,  *ハイパースペクトル ,  *行列因数分解 , 【Automatic Indexing@JST】

著者キーワード (4件)： ハイパースペクトル非混合 ,  混合画素 ,  NMF ,  KL発散

分類 (2件)： 数値計算  (JE02000J) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 制約 ,  非負行列因数分解 ,  ハイパースペクトル